Probabilidade

Universidade Estadual do Oeste do Paran
Campus de Foz do Iguau
PROBABILIDADE
Carlos dos Santos
Foz do Iguau
Maro / 2014
Sumrio
2. Probabilidade
2.1 Introduo
2.2 Experimento aleatrio com espao amosral e evento
2.3 Teoria clssica de probabilidade
2.4 A Teoria Frequentista de Probabilidade
2.5 Probabilidade subjetiva
2.6 Axiomas de probabilidade
2.7 Principais teoremas de probabilidade
2.8 Sequncia de exerccios n 1
20
2.9 Varivel aleatria
22
2.9.1 Definio Formal de Varivel Aleatria
22
2.9.2 Varivel Aleatria Discreta
24
2.9.3 Varivel Aleatria Contnua
25
2.9.4 Funo de Probabilidade
25
2.9.5 Funo Densidade de Probabilidade
26
2.9.6 Funo de Distribuio Acumulada
29
2.9.7 Esperana Matemtica e Varincia de Uma Varivel Aleatria
32
2.9.7.1 Propriedades da Esperana Matemtica
33
2.9.8 Sequncia de exerccios n 2
37
2.10 Distribuies discretas de probabilidade
38
40
43
2.10.5 Distribuio de Poisson
44
46
2.10.7 Distribuio Hipergeomtrica
47
2.10.8 Sequncia de Exerccios n 6
49
2.11 Distribuies tericas contnuas de probabilidade
50
2.11.1 Distribuio Exponencial
50
55
2.11.3 Distribuio normal
56
2.11.3.1 Distribuio normal reduzida
60
69
2.11.5 Aproximao normal distribuio binomial
70
75
2. Probabilidade
2.1 Introduo
Existem dois tipos de modelos na cincia, o modelo determinstico e o no-determinstico ou
probabilstico.
Os modelos determinsticos so utilizados em certos campos da cincia, como a fsica, a
qumica analtica, ou a hidrulica, onde possvel elaborar modelos matemticos que
estabelecem relaes precisas entre grandezas, devido ao grau de conhecimento relativamente
alto dos fatores envolvidos. Por exemplo, o modelo da lei de Ohn pode ser descrito por
Corrente = voltagem / resistncia

Ou
I = E/R
Esse modelo determinstico ou mecanstico porque o mesmo construdo a partir do

conhecimento do mecanismo fsico bsico, o qual relaciona que a corrente eltrica est em funo
da voltagem e da resistncia, sem levar em considerao outros fatores.
Modelo Determinstico ou Mecanstico Modelo que estabelece uma relao matemtica precisa
entre as variveis envolvidas, devido o grau de conhecimento relativamente alto do sistema sob
estudo
Em muitas situaes mais frequente que os mecanismos no sistema sob estudo no

sejam suficientemente conhecidos, de maneira a possibilitar a construo de modelos
determinsticos.
A estatstica lida essencialmente com modelos no determinsticos ou probabilsticos, ou
seja, com aquelas situaes onde os mecanismos do sistema no so to conhecidos e, portanto,
a previso de resultados est envolta com um certo grau de incerteza, a qual quantificada
probabilisticamente. Modelos dessa natureza, que se preocupam em prever resultados com alta
probabilidade, sem tentar especificar os agentes determinantes envolvidos, so chamados de no
determinsticos ou probabilsticos.
Modelo No-Determinstico ou Probabilstico Modelo que procura prever um resultado, em

geral usando probabilidades, sem se preocupar com a especificao dos agentes causais ou
determinantes desse resultado.
3
A estatstica lida essencialmente com modelos no determinsticos, ou seja, com aquelas
situaes em que os mecanismos do sistema no so to conhecidos e, portanto, a previso de
resultados est envolta com um certo grau de incerteza, a qual quantificada probabilisticamente.
Por exemplo, suponha que um pesquisador deseja saber qual o tempo de carga de um
aplicativo (Y) para cumprir determinada tarefa. No h um modelo determinstico para essa
situao, portanto, o pesquisador vai enumerar todas as possveis variveis explicativas para prver
o tempo de carga. capacidade do processador ( X1), capacidade de memria (X2), capacidade do
HD (X3), etc., Assim, um possvel modelo ser:
Y = + 1X1 + 2X2 + 3X3 +

Essa expresso representa um modelo e regresso linear mltipla, em que os coeficientes
, 1, 2 e 3 so estimados pelo mtodo de mnimos quadrados. O termo representa os

fatores aleatrios ou no controlados pelo modelo, tais como impulsos de voltagem, umidade,
temperatura da mquina, etc.
Devido aos fatores no controlados, o pesquisador ir prever o tempo de carga com um
certo grau de confiana ou probabilidade.
Dentro da teoria de probabilidade os termos experimento, espao amostral e evento,
so muito utilizados. Os conceitos desses termos so dados a seguir:
2.2 Experimento aleatrio com espao amosral e evento

Experimento um processo de investigao cientfica de alguns procedimentos, feito para
responder determinadas perguntas.
Um experimento dito aleatrio quando satisfaz as seguintes condies

a) Pode ser repetido indefinidamente;
b) O pesquisador capaz de descrever todos os possveis resultados do experimento,
embora no se possa dizer com certeza qual ocorrer;
c) Obedece uma regularidade estatstica, ou seja, quando o experimento for repetido um
grande nmero de vezes, surgir uma configurao definida (distribuio de frequncia,
agora chamada de distribuio de probabilidade).
So experimentos aleatrios
(1) tomar uma vlvula eletrnica e verificar o tempo de vida;

(2) medir o tempo de durao de uma lmpada de LED;
(3) medir a vazo do Lago na Barragem da Usina de Itaipu;
4
(4) medio da resistncia ruptura de corpos de prova;
(5) medio da dureza de corpos de prova de ao.
Espao amostral Representado por , o conjunto de todos os resultados possveis de um
experimento aleatrio. Cada resultado de um experimento aleatrio denominado de ponto
amostral.
Exemplos:
a) Lanar um dado e verificar a face de cima. O espao amostral ser:
= {1, 2, 3, 4, 5, 6}
Os pontos amostrais sero: 1, 2, 3 ,4 ,5 e 6
b) Testar o tempo de vida de uma vlvula eletrnica at queimar. O espao amostral ser:
{x R / x 0}
c) Resistncia ruptura de corpos de prova de concreto. . O espao amostral ser:
{x R / 0 x 360kgf }
d) O Espao amostral tambm pode ser representado geometricamente. Suponha que uma
empresa de eletricidade formou uma comisso da qual participavam 5 elementos da distribuio e
4 da transmisso. Representando graficamente todas as possibilidades do nmero de ausentes
teremos:
Figura 2.1 - Representao geomtrica do espao amostral.

Percebe-se na figura 2.1 que o nmero de resultados do espao amostral 6 x 5 = 30 e que, as
reas sombreadas A, B e C, correspondem, respectivamente, aos eventos "um elemento
ausente", "4 elementos ausentes" e "o nmero de ausentes da distribuio maior que o da
transmisso". Porm esses no so os nicos eventos possveis desses espao amostral.
Evento qualquer subconjunto do espao amostral . Deve-se considerar como eventos de

qualquer espao amostral, o evento impossvel (aquele que nunca ocorre) e o evento certo (o
prprio espao amostral ).
Exemplo
= {1, 2, 3, 4, 5, 6}
Os eventos desse espao amostral ao lanar o dado uma vez, so:

= evento impossvel;
Eventos com um resultado possvel
A = {1}, B = {2}, C = {3}, D = {4}, E = {5}, F = {6}.
Eventos com dois resultados possveis
A = {1, 2}, B = {1, 3}, C ={1, 4}, D ={1, 5}, E ={1, 6},
F = {2, 3}, G = {2, 4}, H = {2, 5}, I = {2, 6},
J = {3, 4}, K ={3, 5}, L ={3, 6},
M = {4, 5}, N ={4, 6},
6
O = {5, 5}, P ={5, 6}.
Eventos com trs resultados possveis so
A = {1, 2, 3}, B = {1, 2, 4}, C ={1, 2, 5}, D ={1, 2, 6},
E ={2, 3, 4}, F ={2, 3, 5}, G ={2, 3, 6},
H ={3, 4, 5}, I ={3, 4, 6},
J = {4, 5, 6}.
Eventos com quatro resultados possveis so
A = {1, 2, 3, 4}, B = {1, 2, 3, 5}, C ={1, 2, 3, 6},
E ={2, 3, 4, 5}, F ={2, 3, 4, 6},
H ={3, 4, 5, 6}
Evento com seis resultados possveis. O prprio espao amostral.

= {1, 2, 3, 4, 5, 6}
2.3 Teoria clssica de probabilidade

Esta teoria baseia-se na existncia de um espao amostral com n elementos unitrios:
= {a1, a2, . . . , an}
Este espao amostral estaria associado ao objeto de estudo de um experimento, e seus
elementos seriam igualmente provveis de ocorrer, ou seja,
P(a1) = P(a2) = . . . = P(an) =
1
n
Em que P( . ) denota probabilidade.
Exemplo:
Suponha que um dado de jogo em perfeito estado lanado e sua face anotada. O
espao amostral
= {1, 2, 3, 4, 5, 6},
assim, a probabilidade de que ocorra qualquer uma das faces ser a mesma.
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =
1
6
7
Porm, esta teoria apresenta lacunas, uma vez que exige o conhecimento prvio da
entidade fsica referente aos eventos de igual probabilidade. Alm disso, muitas vezes os eventos
de um espao amostral no so igualmente provveis.
2.4 A Teoria Frequentista de Probabilidade

A teoria frequentista de probabilidade possui uma motivao emprica para interpretar
probabilidades (Wadsworth e Bryan, 1960). Na observao de certo fenmeno atravs de um
experimento, a probabilidade de certo evento A definida, formalmente, como a sua frequncia
relativa observada, medida que o nmero de repeties tende para o infinito, ou seja,
nA
n n
P[ A] lim
em que nA o nmero de possibilidades favorveis ao evento A, num total de n repeties de um

experimento. Trata-se de uma definio operacional, no sentido que demanda a postulao de um
experimento ou operao.
Assim, as frequncias relativas em populaes infinitas so chamadas de probabilidades.
Probabilidade Frequncia relativa associada a uma varivel descritora de uma populao

infinita.
Portanto, pode-se denominar a distribuio de frequncia relativa associada a uma varivel

descritora de uma populao infinita como uma distribuio de probabilidade.
Distribuio de probabilidade Distribuio de frequncia relativa em uma populao infinita

aos valores da varivel de interesse.
Exemplo:
Observa-se que durante 100 tentativas de partida sob condies similares, uma
determinada turbina a gs parte com sucesso 98 vezes. Qual a probabilidade desta turbina partir
com sucesso quando necessrio?
Soluo:
Denominemos A como o evento a turbina a gs parte com sucesso. Logo,
P( A)
98
0,98 ou 98%
100
2.5 Probabilidade subjetiva
Atualmente, pode-se dizer que a inferncia estatstica (a qual ser estudada em sees
posteriores), apresenta duas escolas de pensamento, a frequentista e a bayesiana. A primeira
est baseada no conceito frequentista de probabilidade. J, a inferncia Bayesiana est
assentada, tambm, em um enfoque subjetivo de probabilidade. Por ela, a formulao de modelos
e sua verificao so feitas atravs da combinao de evidncias experimentais (objetivas) com a
opinio do pesquisador (subjetiva).
Portanto, define-se probabilidade subjetiva como uma medida do grau de confiana de uma
pessoa em relao a uma proposio (O Hagan, 1994). Ela funo da quantidade de
informao disponvel pela pessoa, e possui a restrio de que deve obedecer (assim como as
teorias clssica e frequentista) a critrios de consistncia, ou seja, aos axiomas de probabilidade
os quais sero vistos a seguir.
2.6 Axiomas de probabilidade

Axiomas so propriedades das quais no exigida uma prvia demonstrao,
simplesmente so aceitas.
Seja o espao amostral associado a um dado experimento . A cada evento A
associa-se um nmero real, denominado de probabilidade de A, o qual deve satisfazer s
seguintes propriedades:
(1 ) 0 P(A) 1
0
(20) P() = 1 (ou seja, a probabilidade do evento certo igual 1)

(3) Se A e B so eventos mutuamente exclusivos (aqueles que no ocorrem simultaneamente),
a probabilidade de ocorrncia de A ou de B igual soma das probabilidades de cada um, ou
seja,
P( A B) P( A) P( B)
A ltima propriedade pode ser utilizada para uma sequncia finita ou infinita de eventos
mutuamente exclusivos, pertencentes a , ou seja,
P Ai P( Ai )
i 1 i 1
n

P Ai P( Ai )
i 1 i 1
Exemplo de aplicao
Suponha que um determinado instituto tem os seguintes nmeros de alunos matriculados

por curso: 110 de Matemtica Pura, 30 de Matemtica Aplicada, 30 de Estatstica e 30 de
Computao.
a) Qual a probabilidade de que, um aluno escolhido ao acaso seja do curso de Matemtica
Pura?
b) Qual a probabilidade de que um aluno escolhido ao acaso seja do curso de Matemtica Pura
ou do Curso de Estatstica?
c) Qual a probabilidade de que um aluno escolhido ao acaso seja do curso de Matemtica Pura,
ou de Matemtica Aplicada, ou de Estatstica ou da Computao?
Soluo
Sejam os eventos
A: o aluno do curso de Matemtica Pura

B: o aluno do Curso de Matemtica Aplicada
C: o aluno do curso de Estatstica
D: O aluno do Curso de Computao
a) P(A)
n A 110
0,55 ou 55%
n
200
b) P(A C) P( A) P(C )
n A n C 110 30
0,70 ou 70%
n
n
200 200
c) P(A B C D) P( A) P( B) P(C ) P( D)
n A nB nC nD 110 30
30
30
1 ou 100%
n
n
n
n
200 200 200 200
2.7 Principais teoremas de probabilidade

(1 ) A probabilidade de um evento impossvel zero, ou seja, P() = 0.
o
10
Demonstrao
Seja A um evento qualquer.

A e so mutuamente exclusivos, pois A = , ento,
pelo 3 axioma P(A ) P( A) + P()
pela teoria de conjuntos A A
Assim, P(A ) P(A)
Portanto, P() 0
Exemplo de aplicao
Numa prova valendo 10 pontos, qual a probabilidade de ocorrer de fato alguma nota maior
do que 10?
P(X > 10) = P() = 0
(2o) Se Ac o evento complementar de A, ento P(AC) = 1 P(A)
Demonstrao
Considere o seguinte diagrama:
Pelo diagrama observa-se que A e A so mutuamente exclusivos

c
c
Logo, P(A A ) P (A) P(A )
Como A A C
Tem-se P() P( A A ) P( A) P( A )
c
pelo 2o axioma
P() 1 ,
11
logo, 1 P(A) P(A )
c
Portanto, P(AC) = 1 P(A)
Exemplo de aplicao
Se a probabilidade de um equipamento de segurana falhar durante sua utilizao de 5%,

ento a probabilidade deste equipamento no falhar durante sua utilizao ser
c
P(F ) = 1 - P(F) = 1 - 0,05 = 0,95 ou 95%
o
(3 ) Se A B , ento P(A) P(B)
Demonstrao
Considere o seguinte Diagrama:
Pode-se escrever B A (A C B)
Ora, A e (A C B) so mutuamente exclusivos.
P(B) P(A) P(AC B)
Logo,
Assim, P(AC B) P(B) P(A)

o
Pelo 1 axioma, P(B) P(A) 0 . Ocorre P(A) - P(B) = 0, quando A = B.

Portanto, P(A) P(B)
Observao: ocorre
Exemplo de aplicao
P(A) P(B) quando A = B
12
Suponha que seja feito um sorteio de uma bolsa de estudos de um curso de ingls, entre os
alunos da UNIOESTE de Foz do Iguau. Existem 1402 alunos matriculados no total. Ha 141
alunos no curso de Matemtica, dos quais, 35 so do quarto ano. Qual a probabilidade de ser
sorteado:
a) Um aluno do curso de Matemtica
b) Um aluno do quarto ano do curso de matemtica
Soluo
Os eventos so:
A: O aluno do curso de Matemtica,
B: O aluno do quarto ano de Matemtica,
a) P( A)
nA
141
0,1006 ou 10,06%
n 1402
b) P( B)
nB
35
0,0250 ou 2,50%
n 1402
Como B A , tem-se P(B) < P(A).

(4o) Teorema do Produto: A probabilidade de ocorrncia simultnea de dois eventos A e B
igual ao produto da probabilidade de um deles pela probabilidade condicional do outro, ou seja,
P(A B) P(A) P(B / A)

Considerando dois eventos, pode ser que a ocorrncia de um deles modifique a
probabilidade de ocorrncia do outro. Assim, a probabilidade do evento B, sabendo que A ocorreu,
ou probabilidade condicional de B em relao a A, pode ser representada por P(B/A). Dessa
forma, para P(A) 0, define-se
PB / A
PA B
PA
No caso de 3 eventos A, B e C, a probabilidade do evento C, sabendo que A e B ocorreram,

dada por
PC / A B
Exemplo de aplicao
PA B C
.
PA B
13
O dono de um supermercado resolveu realizar uma promoo, sorteando dois brindes aos
clientes que gastassem pelo menos 50 reais. Verificou-se que 500 clientes atenderam a esse
quesito. Desses, 200 foram do Bairro A, 175 do B e 125 do C. Suponha que o ganhador de um
prmio no pode concorrer aos restantes (amostragem sem reposio).
a) Qual a probabilidade de que os dois ganhadores sejam do bairro A?

b) Qual a probabilidade de que ocorra um do bairro A e um do bairro B?
c) Qual a probabilidade do segundo ser do bairro B, sendo que o primeiro cliente sorteado do
bairro A?
d) Se fossem sorteados trs brindes, qual seria a probabilidade de ser sorteado um de cada
bairro?
e) No sorteio trs brindes, qual a probabilidade de o terceiro cliente ser do bairro C, sendo que o
primeiro do Bairro A e o segundo do Bairro B.
Soluo
n = 500; nA = 200, nB = 175, nC = 125
Sejam os eventos:
A: O cliente do Bairro A
B: O cliente do Bairro B
C: O cliente do Bairro C
a) Como a amostragem sem reposio
PA A PA.PA / A =
n A n A 1 200 199
.
0,1595
n
n 1
500 499
b) PA B PA.PB / A =
nA nB
n n 1
200 175
.
0,1403
500 499
nA nB
200 175
PA B
. = n n 1 = 500 499 0,3507
c) PB / A
200
nA
PA
500
n
d) PA B C PA PB / A PC / A B
14
=
e) PC / A B
n
nA nB
200 175 125
C =
0,0352
n n 1 n 2
500 499 498
PA B C
PA B
n
nA nB
200 175 125
C
500
499
498 0,2510
n
n
1
n
=
nA nB
200 175
500 499
n n 1
Os eventos so ditos independentes quando a ocorrncia de um deles independe da
ocorrncia do outro. Dessa forma, se A e B so independentes, ento
P(B/A) = P(B), assim como, P(A/B) = P(A),
E no Teorema do Produto tem-se que
PA B PA.PB
No caso de trs eventos independentes: A, B e C, obtm-se
P(A B C) P(A) P(B) P(C)
Para o exemplo anterior, suponha que o ganhador de um prmio possa concorrer aos
restantes, ou seja, seu nome reposto na urna (amostragem com reposio).
a) Qual a probabilidade de o primeiro cliente sorteado ser do Bairro A e o segundo do B

b) Se fossem sorteados trs brindes, qual a probabilidade de o primeiro cliente sorteado ser do
Bairro A, o segundo do B e o terceiro do C.
a) PA B PA.PB =
nA nB
200 175
.
0,14
=
n n
500 500
15
b) PA B C PA PB PC
nA nB nC
200 175 125
0,035
=
n n n
500 500 500
Exemplo de aplicao
Os funcionrios de uma empresa esto distribudos de acordo com a tabela a seguir:
Sexo
Departamento
A
B
C
Total
Masculino
25
15
20
60
Total
Feminino
25
10
5
40
No sorteio de um funcionrio, qual a probabilidade de que este seja:
a) Do sexo masculino?
b) Do sexo masculino e do departamento A
c) Do sexo masculino, sabendo que do departamento A
Soluo
Sejam os eventos:
A: o funcionrio do departamento A
B: o funcionrio do departamento B
C: o funcionrio do departamento C
M: o funcionrio do sexo masculino
F: o funcionrio do sexo feminino
a) P( M )
nM
60
0,60 ou 60%
n
100
b) PM A P( M )..P A / M =
n M n( A e M )
60 25
0,25 ou 25%
n
nM
100 60
50
25
25
100
16
P A M
.=
c) PM / A
P A
n( A e M )
n
nA
n
25
25
= 100
0,5 ou 50%
50 50
100
(5 ) Teorema da soma ou das probabilidades totais: A probabilidade de ocorrer pelo menos

um entre dois eventos A e B, no necessariamente mutuamente exclusivos, igual soma das
probabilidades de A e de B, menos a probabilidade de A e B ocorrerem simultaneamente, ou seja,
P(A B) P(A) P(B) P(A B)
Demonstrao
Considere o seguinte diagrama:
Pelo diagrama nota-se que os eventos A B C e A B so mutuamente exclusivos, e que
A (A BC ) (A B) , ento
P(A) = P(A B C ) P(A B) P(A B C ) P(A) P(A B) ( I )
Observa-se que os eventos B A C e A B , tambm so mutuamente exclusivos, e que
B (B A C ) (A B) , assim,
C
C
P(B) = P(B A ) P(A B) P(B A ) P(B) P(A B) ( II )
Os eventos
A BC ,
B AC
AB
tambm so mutuamente exclusivos e
A B (A B C ) (A C B) P(A B) , logo,
17
P(A B) P(A B ) P(A B) P(A B)

C
Dessa forma, de I e de II tem-se P(A B) P(A) P(A B) P(B) P(A B) P(A B)

Portanto, P(A B) P(A) P(B) P(A B)
Exemplo de aplicao
No circuito abaixo, a probabilidade de que cada rel esteja fechado de 0,8. Supondo que
cada rel seja aberto ou fechado independentemente um do outro, calcular a probabilidade de que
a corrente passe de A para B.
Sejam os eventos:
R1: o rel 1 est fechado,
R4: o rel 4 est fechado, onde
P(R1) = P(R2) = P(R3) = P(R4) = 0,8
A corrente passa de A para B se estiverem fechados os rels 1 e 2 ou 3 e 4, portanto devese calcular P[( R 1 R 2 ) (R 3 R 4 )] , onde os eventos (R 1 R 2 ) e (R 3 R 4 ) podem ocorrer
simultaneamente (se os quatro rels estiverem fechados), dessa forma tem-se:
P[( R1 R2 ) ( R3 R4 )] P( R1 R2 ) P(( R3 R4 ) P[( R1 R2 ) ( R3 R4 )]

P(R 1 ) P(R 2 ) P(R 3 ) P(R 4 ) P(R1 ) P(R 2 ) (R 3 ) P(R 4 )
0,8 0,8 0,8 0,8 0,8 0,8 0,8 0,8 0,8704 ou 87,04%
(5 ) Teorema de Bayes: Se A1, A2,. . ., An so eventos dois a dois mutuamente exclusivos tais que
A1 A 2 A n . Sejam P(Ai) as probabilidades conhecidas de vrios eventos, e B um

evento qualquer de tal que so conhecidas todas as probabilidades condicionais P(B/Ai).Ento,
para um dado evento Ai, tem-se
18
P(A i / B)
P( A i ) P( B / A i )
P ( A1 ) P ( B / A1 ) P ( A 2 ) P ( B / A 2 ) P ( A n ) P ( B / A n )
ou
P( A i / B)
P( A i ) P(B / A i )
n
P( A i ) P(B / A i )
i1
Demonstrao
Considere o seguinte diagrama da partio de em eventos Ai (i=1,2,3,4,5) e sua interseo com
B.
n
Dessa maneira, ( I ) P(B) P( A i B) .
i 1
Como P(B / A i )
P( A i B)
P( A i )
, ento:
P ( A ) P ( B) .Dessa forma,
Porm, de ( I ) sabe-se que P( B)
P( A
i 1
( II ) P( B)
i 1
i 1
P( Ai B) P( B / Ai ) P( Ai )
B) , ento
P( B / A ) P( A ) .
i 1
Mas, como (III) P( Ai B) P( Ai ) P( B / Ai )
Pensando agora em uma probabilidade condicional P(Ai/B) qualquer
19
P( Ai B)
P( Ai) P( B / Ai )
n
P( B)
P( Ai ) P( B / Ai )
P( Ai / B)
tem-se, por (II) e (III) que
i 1
P( Ai / B)
P( Ai ) P( B / Ai )
n
P( A ) P( B / A )
i
i 1
Exemplo de Aplicao
Uma indstria produz quatro tipos de vlvulas eletrnicas: A, B, C e D. A probabilidade de

uma vlvula do tipo A ser defeituosa 1%, do tipo B 0,5%, do tipo C 2% e do tipo D 0,2%.
Em um depsito existem 1000 vlvulas do tipo A, 500 do tipo B, 300 do tipo C e 200 do tipo D.
Uma vlvula retirada aleatoriamente do depsito e verifica-se que esta defeituosa. Qual a
probabilidade de que a vlvula retirada seja do tipo D?
Sejam os eventos
A: a vlvula do tipo A,
B: a vlvula do tipo B,
C: a vlvula do tipo C,
D: a vlvula do tipo D,
E: a vlvula defeituosa.
O evento vlvula defeituosa (E) ocorreu, portanto, a probabilidade de que seja do tipo D
(sendo A, B, C e D mutuamente exclusivos) ser dada por
P( D / E )
onde P( A)
P ( D) P ( E / D)
P( A) P( E / A) P( B) P( E / B) P(C ) P( E / C ) P( D) P( E / D)
1000
500
300
200
0,50 ; P( B)
0,25 ; P(C )
0,15 ; P( D)
0,10
2000
2000
2000
2000
P(E/A) = 1% = 0,01;
P(E/B) = 0,5% = 0,005;
P(E/C) = 2% = 0,02;
P(E/D)= 0,2% = 0,002;
Portanto,
P( D / E )
0,10 0,002
0,021 ou 2,1%
0,50 0,010 0,25 0,005 0,15 0,020 0,10 0,002
20
2.8 Sequncia de exerccios n 1

01 No lanamento de um dado equilibrado considere os eventos A: ocorrncia de face mpar
B: ocorrncia de face menor do que 3 e C = face mxima observada igual a 5.
a) Represente o espao amostral
b) Calcule P(A); P(B); P(C).R: 0,50; 0,3333; 0,8333
02. Uma moeda perfeita ser lanada 3 vezes. Sejam os eventos: E 1: observar pelo menos duas
coroas; E2: observar no mximo uma coroa; E3: observar as 3 faces iguais; E4: observar 3 coroas;
E5: O primeiro lanamento resulta em coroa; E6: o segundo lanamento resulta em coroa E7: o
terceiro lanamento resulta em coroa.
a) Escreva o espao amostral no caso de trs lanamentos

b) Calcule P(E1), P(E2), P(E3), P(E4), P(E5), P(E6) e P(E7) R: 0,50; 0,50; 0,25; 0,125; 0,50; 0,50;
0,50
03 Uma urna contm 20 bolas das quais 9 brancas, 5 azuis e 6 vermelhas. Duas bolas sero
retiradas sucessivamente da urna, sem reposio. Calcular as seguinte probabilidades
a) de a segunda bola extrada ser vermelha, dado que a primeira vermelha. R:0,2632
b) de serem extradas bolas de cores diferentes: R:0,3395
c) de serem extradas bolas de mesma cor? R:0,3211
04. Sabe-se que na fabricao de um certo artigo, defeitos de um tipo ocorrem probabilidade 0,1 e
defeitos de outro tipo com probabilidade 0,05. Qual ser a probabilidade de que:
a) um artigo no tenha ambos os tipos de defeitos: R: 0,995
b) Um artigo seja defeituoso? R: 0,145
05 Suponha que A e B associados a um experimento sejam eventos independentes. Se a

probabilidade de A ou B ocorrerem for igual a 0,6 enquanto a probabilidade de ocorrncia de A for
igual a 0,4 determine a probabilidade de ocorrncia de B. R: 0,3333
06. Um lote composto de 1000 peas, sendo 95% perfeitas e 5% defeituosas. Duas peas so
extradas aleatoriamente desse lote, sem reposio, qual a probabilidade de que:
a) ambas sejam perfeitas R: 0,90245
b) ambas sejam defeituosas R: 0,00245
c) uma seja defeituosa e a outra seja perfeita? 0,09510
07. No teorema da soma ou das probabilidades totais foi demonstrado que a probabilidade de
ocorrer pelo menos um entre dois eventos A e B, no necessariamente mutuamente exclusivos,
21
igual soma das probabilidades de A e de B, menos a probabilidade de A e B ocorrerem
simultaneamente, ou seja
P( A B) P( A) P(B) P( A B)
Demonstre que a probabilidade de ocorrer pelo menos um entre trs eventos A, B e C, no
necessariamente mutuamente exclusivos, dada por:
P( A B C) P( A) P(B) P(C) P( A B) P( A C) P(B C) P( A B C)
08 Nos circuitos abaixo, supondo que cada rel funcione independentemente um do outro, sendo
95% a probabilidade de que um rel qualquer esteja fechado, calcular a probabilidade de que
corrente a corrente passe de A para B.
R: 0,999875
R: 0,999756
09 Numa fbrica existem 100 mquinas. Algumas dessas so novas (N) e outras velhas (V),
algumas so da firma A e outras so da firma B conforme a tabela abaixo
Estado
Nova (N)
Velha (V)
Total
Firma
A
35
25
60
Total
B
30
10
40
Um operrio qualquer entra fbrica e pega uma mquina.
a) Qual a probabilidade dela ser velha? Resposta: 0,35 ou 35%
65
35
100
22
b) Qual a probabilidade dela ser velha sendo que da firma B? Resposta:0,25 ou 25%
10. Certa indstria, possui cinco mquinas: A, B, C, D e E, as quais produzem os mesmos tipos de
peas, que sero utilizadas na montagem de equipamentos eltricos. Sabe-se que a produo
diria da mquina A o dobro da produo diria da mquina D, que as produes das mquinas
B e C so iguais e que a mquina E produz 20 peas a mais que a mquina A. De acordo com o
setor de controle de qualidade dessa indstria, so defeituosas, respectivamente, 1%, 2%, 5%, 1%
e 3% das peas produzidas pelas mquinas A, B, C, D e E. Uma pea foi tomada aleatoriamente e
verificou-se que ela defeituosa. Utilizando o teorema de Bayes, calcular a probabilidade de que
essa pea tenha sido fabricada pela mquina E, sabendo que as mquinas A e B produzem,
respectivamente, 200 e 150 peas. R: 0,3284
2.9 Varivel aleatria

As variveis descritoras de uma populao infinita podem ser qualitativas ou quantitativas,
como visto na parte de Estatstica Descritiva. Quando so associados valores de probabilidade s
variveis descritoras, como no caso de populaes infinitas, elas tambm so chamadas de
variveis aleatrias.
Varivel Aleatria De modo informal a varivel descritora de populaes infinitas, a cujos

valores so associadas probabilidades de ocorrncia.
Por conveno, as variveis aleatrias so sempre quantitativas, mesmo se referindo a

qualidades. No exemplo da produo de peas defeituosas, s categorias perfeita e defeituosa
podem ser associados os valores 0 e 1, respectivamente. Dessa forma, as vaiveis aleatrias
podem ser discretas ou contnuas.
As variveis aleatrias so denotadas por letras maisculas, e suas realizaes por letras
minsculas. Assim, a probabilidade de que uma varivel aleatria X assuma determinado valor x,
denotada por P[X = x] ou P(x).
2.9.1 Definio Formal de Varivel Aleatria

Seja um experimento aleatrio e o espao amostral associado ao experimento. Uma
funo X que associa nmeros reais a cada evento e do espao amostral denominada
varivel aleatria. Assim, formalmente, uma varivel aleatria X uma funo com domnio e
contradomnio a reta dos reais:
23
X() : R
Geometricamente, tem-se:
Figura 2.2 Representao geomtrica de uma varivel aleatria
em que:
e: um evento qualquer de ;
o espao amostral
X: uma funo (aqui denominada inadequadamente de varivel aleatria);
X(e): um nmero real associado ao evento e de ;
Rx: o contradomnio ou conjunto dos possveis valores de X.
Meyer (1983) aponta a fraqueza dessa terminologia, uma vez que se chama varivel a
uma funo. Alm disso, o termo aleatrio tambm no apropriado, uma vez que o acaso no
est evidente na sua definio. Entretanto, devido o seu uso generalizado, tambm ser adotada
aqui.
Exemplo
Imagine que duas peas esto para ser coletados de um lote. Sejam os eventos, D: pea
defeituosa e P: pea perfeita. Logo o espao amostral ser:
= {PP; DP; PD, DD}
Seja varivel aleatria X que expressa o nmero de peas defeituosas. Ento, o contradomnio
ser:
RX = {0, 1, 2}
Geometricamente ter-se-:
24
Figura 2.3 Representao geomtrica da varivel aleatria qualidade da pea
2.9.2 Varivel Aleatria Discreta

Diz-se que uma varivel aleatria X discreta, se o nmero de possveis valores de X (ou
seja, Rx seu contradomnio) for finito ou infinito enumervel.
No exemplo de pea defeituosa ou perfeita, s categorias defeituosa e perfeita puderam
ser associados os valores 0 e 1, respectivamente. Por conveno as variveis aleatrias so
sempre quantitativas, mesmo se referindo a qualidades. Portanto, as vaiveis aleatrias antes
chamadas de qualitativas e as quantitativas discretas, na teoria de probabilidades, passam a ser
chamadas de variveis aleatrias discretas.
Exemplos
1) Seja X a varivel que representa o nmero de peas defeituosas em cada 5 inspecionadas. O

contradomnio ser finito, ou seja
Rx = {0, 1, 2, 3, 4, 5}
2) Seja X a varivel que representa o nmero de vezes que um transistor muda de estado na
memria deum computador. O contradomnio ser infinito e enumervel, ou seja,
Rx = {0, 1, 2, . . .}
3) Seja X a varivel que representa o nmero de molculas em uma amostra de gs. O
contradomnio ser infinito e enumervel, ou seja,
Rx = {1, 2, . . .}
4) Seja X a varivel que representa o nmero de usurios de uma rede de computadores em certo
perodo do dia. O contradomnio ser infinito e enumervel, ou seja,
Rx = {0, 1, 2, . . .}
25
2.9.3 Varivel Aleatria Contnua

Uma varivel aleatria X dita contnua, se corresponder a dados de medida, isto , se o
nmero de valores possveis desta no puder ser enumerado. Assim, os elementos do
contradomnio de X so representados em forma de intervalo. Dessa forma, na teoria de
probabilidades, todas as variveis quantitativas contnuas so chamadas apenas de variveis
aleatrias contnuas.
Exemplos
a) resistncia ruptura de corpos de prova.
R x {x R / 0 X 500}
b)Tempo de durao em horas de um dispositivo eletrnico
R x {x R / x 0}
Outros exemplos de variveis aleatrias contnuas podem ser citados, tais como: resistncia
trao de cabos, dimetro de tubos, etc.
2.9.4 Funo de Probabilidade

Seja X uma varivel aleatria discreta. A cada possvel resultado x i est associado um
nmero P(xi) = P(X = x i), denominado probabilidade de x i. A funo p denominada de funo de
probabilidade da varivel aleatria X e segue s seguintes propriedades.
i) P(X = xi) 0, para todo i;
ii
P(X xi) 1 .
i 1
O conjunto dos pares [xi, P(xi)] denominado de distribuio de probabilidade.

Exemplo
Retornando ao exemplo do nmero de peas defeituosas em duas inspecionadas. O espao

amostral foi
26
= {DD; DP; PD, PP}
e o contradomnio.
RX = {0, 1, 2}
A probabilidade de ocorrer nenhuma pea defeituosa ser P(0) P(X 0)
A probabilidade de ocorrer uma pea defeituosa ser P(1) P(X 1)
1
0,25
4
2
0,50
4
A probabilidade de ocorrerem duas peas defeituosas ser P(2) P(X 2)
1
0,25
4
Confirmando a propriedade ii
P(x i ) P(X 0) P(X 1) P(X 2) 0,25 0,50 0,25 1

i 1
Graficamente tem-se:
Figura 2.4 Representao geomtrica da funo de

probabilidade
2.9.5 Funo Densidade de Probabilidade

Seja X uma varivel aleatria contnua. Define-se funo densidade de probabilidade como
sendo a funo f que satisfaz s seguintes propriedades:
27
i) f(x) 0, para qualquer valor de x.
ii)
f (x)dx 1
A propriedade (ii) indica que a rea total limitada pela curva que representa a funo f(x) e
o eixo das abscissas igual a 1
Seja o intervalo [a,b] RX. Ento a probabilidade da varivel aleatria contnua X assumir
algum valor dentro desse intervalo ser dado por:
P [a X b] f ( x )dx ,para qualquer a e b.

a
que pode representar, por exemplo, a rea escura sob a curva no grfico a seguir:
Figura 2.4 - Representao geomtrica de uma funo densidade de probabilidade.
Verifica-se na figura 2.4 que, para variveis aleatrias contnuas, as probabilidades so

interpretadas como reas. Portanto, para qualquer valor x0 RX, tem-se
x0
P [ X x0 ]
f ( x)dx 0
x0
Devido probabilidade de uma varivel aleatria contnua ser nula num ponto, tem-se que
P(a X b) P(a X b) P(a X b) P(a X b)

Exemplo
28
(1) Seja uma varivel aleatria contnua, cuja fdp dada por:
f(x) = x/16, 2 < x < 6

= 0, para quaisquer outros valores.
Calcular:
a) P(3 X 4);
b) P(X > 5);
c) P(2 X 6);
d) Representar graficamente a fdp.
Soluo
a)
x
1 x2
1
9 1 7
7
P(3 X 4)
dx 8 .
0,219
16
16 2
16
2 16 2 32
3
3
b)
x
1 x2
1
25 1 11 11
P(X 5)
dx 18 .
0,344
16
16 2
16
2 16 2
32
5
5
c)
x
1 x2
1
P(2 X 6)
dx 18 2 1
16
16 2
16
d) para x = 2 f(2) = 2/16 = 1/8

para x = 6 f(6) = 6/16 = 3/8
29
Portanto, observa-se atravs deste exemplo que, no caso de variveis aleatrias
contnuas unidimensionais, o clculo de probabilidades refere-se ao clculo de reas.
(2) Seja X uma varivel aleatria contnua, cuja fdp dada por:
f(x) = k, 2 X 5 (k cons tan te)
= 0, para quais quer outros valores
a) Determinar o valor de k
b) Representar graficamente a fdp
a) Sabe-se que
f (x)dx 1 a uma das condies para que f(x) seja uma fdp, a outra f(x) 0.
Logo,
5
kdx 1 kx
2
1 k[5 2] 1 k
1
3
Essa fdp denominada de uniformemente distribuda
b) Grfico
2.9.6 Funo de Distribuio Acumulada

Independente de uma varivel aleatria ser discreta, ou contnua, uma importante funo
associada a esta a funo de distribuio acumulada, funo de distribuio de probabilidade,
ou simplesmente, funo distribuio, a qual segue as seguintes propriedades:
i) Se x1 < x2, ento F(x1) F(x2), ou seja F(x) uma funo no decrescente
30
ii) lim F( x ) 0
x
iii) lim F( x ) 1
x
iv) P[x1 X x 2 ] F(x 2 ) F(x1 )

A funo de distribuio acumulada de uma varivel aleatria discreta dada por:
F[xk ] P[X xk ]
P[xi ]
i1
No caso de uma varivel aleatria contnua, a funo de distribuio acumulada expressa

por:
x
F( x ) P(X x )
f (z)dz
Exemplos:
( 1 ) Seja a varivel aleatria X que representa o nmero de transformadores defeituosos, em cada

lote de 100 unidades, tomados da linha de produo, segundo o quadro abaixo:
0,28
0,20
0,12
0,06
0,02
Proporo
0,32
Essas propores podem ser consideradas como probabilidades no sentido que, se um

lote for tomado ao acaso da linha de produo, existe uma probabilidade, por exemplo, de 28% de
que ela contenha apenas 1 transformador defeituoso. A probabilidade de que ele contenha 3
transformadores defeituosos, ou menos, dada por:
F[ x 4 ] P[ X x 4 ] P[ X xi ] P[ X x1] P[ X x 2 ] P[ X x3 ] P[ X x 4 ]
i1
F[3] = P[X 3] = P[X = 0] + P[X = 1] + P[X = 2] + P[X = 3]

= 0,32 + 0,28 + 0,20 + 0,12 = 0,92 ou 92%
Resumidamente tem-se os seguintes resultados de F(X):
31
X
F(X)
0,32
0,60
0,80
0,92
0,98
1,00
Graficamente tem-se:
Figura 2.4 Representao grfica da F(X)
Exemplo:
( 2 ) Seja a varivel aleatria contnua X, referente ao tempo de vida til (em horas) de aspersores
de uma determinada marca, cuja funo densidade dada por:
0,02e 0,02 x , x 0
f (x)
0, x 0
Assim, por exemplo, a probabilidade de que um aspersor dessa marca, tomado ao acaso,
dure pelo menos 100 horas, dada por:
F( x ) P(X x )
f (z)dz
F (100) P( X 100)
Propriedade
100
0dz 0,02 e
e kx
e
dx
a
k
b
100
0 , 02 Z
dz 0 0,02 e 0,02z dz
0
kx
100
e 0,02z
0,02
0,02
0
e 0,02.100 1 1 e 2 = 0,8647 ou 86,47%
32
Resumidamente tm-se os seguintes resultados de F(X):
X
1
10
20
30
40
50
F(X) 0,0198 0,1813 0,3297 0,4512 0,5507 0,6321
X
100
150
200
300
400
F(X) 0,8647 0,9502 0,9816 0,9975 0,9996
Assim, o grfico de F(X) fica:
2.9.7 Esperana Matemtica e Varincia de Uma Varivel Aleatria

O conhecimento das funes de probabilidade, de densidade de probabilidade e de
distribuio acumulada de uma varivel aleatria importante, mas pode no ser suficiente para
descrever satisfatoriamente
o comportamento da mesma. Particularmente, surgem algumas
questes com frequncia. Por exemplo, em geral deseja-se saber o valor mdio que a varivel
assume. Em outras palavras, se infinitas realizaes da varivel fossem observadas, qual seria a
mdia.? Devido a isto, importante a utilizao da esperana matemtica, expectncia, valor
esperado, ou mdia de uma varivel aleatria. Para uma varivel aleatria discreta a esperana
matemtica dada por:
E(X)
x i p[X x i ]
i1
No exemplo do nmero de transformadores defeituosos, se infinitos lotes de 100 unidades

forem tomados da linha de produo observados, o nmero mdio transformadores defeituosos
por lote ser:
33
Transformadores
defeituosos
E(X) 0 0,32 1 0,28 2 0,20 3 0,12 4 0,06 5 0,02 1,38
A esperana matemtica de uma varivel contnua tem a seguinte expresso:
E(X)
x f (x) dx
No exemplo do tempo de vida de aspersores de uma marca, se forem observados infinitos deles, o
tempo mdio de vida corresponder a:
E(X) x 0,02e 0,02xdx 0,02 x e 0,02xdx
como a funo f(x) = xe
-0,002x
da famlia exponencial pode-se aplicar a seguinte propriedade
de integrais.
Assim, para
E(X) 0,02 x e0,02x dx , m = 1, a = 0,02 e n = 1
logo,
E( X) 0,02
2
0,022
1!
50 horas
0,02
2.9.7.1 Propriedades da Esperana Matemtica

i) E(k) = k
Demonstrao:
n
E(k )
i1
k P( x i ) k
P(x i ) k 1 k
i1
ii) E(k.X) = k. E(X), onde k uma constante
34
Demonstrao:
E(k X)
k x iP( x i ) k
i1
x i P(x i ) k E( X)
i1
iii) E(X Y) = E(X) E(Y) (ser demonstrada em variveis aleatrias bidimensionais)

Demonstrao:
E( X Y )
( x i y i ) p( x i , y j )
i1 j1

xi
i1
j1
x i p( x i , y j )
i1 j1
p( x i , y j )

yj
j1
p( x i , y j )
i1
y j p(x i , y j )
i1 j1
x i p( x i )
i1
y jP(y j ) E( X) E(Y)
j1
iv) E(X k) = E(X) k
Demonstrao:
E(X k ) E( X) E(k ) E( X) k
v) E(XY) = E(X).E(Y) se X e Y so independentes. (ser demonstrada em variveis

aleatrias bidimensionais)
Demonstrao:
E( X Y )
x i y ip( x i , y j )
i1 j1
i1
x i y ip(x i ), p( y j )
i1 j1
x i p( x i )
y j p(y j ) E( X) E(Y)
j1
35
As observaes de uma determinada varivel aleatria podem se concentrar em torno do
valor mdio, ou estar mais dispersas. A resposta a essa questo pode ser dada pela varincia de
uma varivel aleatria, a qual dada por:
2
V(X) = E(X ) E(X)
Sendo X uma varivel aleatria discreta tem-se que:
E(X 2 )
x i2 p[X X i ]
i1
No exemplo dos transformadores defeituosos em cada lote de 100.

2
2
2
2
2
2
2
E(X ) 0 0,32 1 0,28 2 0,20 3 0,12 4 0,06 5 0,02 3,62
(transformadores defeituosos)2
e a varincia ser de:

V(X) = E(X2) [E(X)]2 = 3,62 (1,38)2 = 1,72 (transformadores defeituosos)2
Extraindo a raiz quadrada desse valor, obtm-se o chamado desvio padro, de significado mais
imediato, uma vez que est associado, a grosso modo, ao quanto, em mdia, os valores se
distanciam da esperana matemtica ou mdia.
DP(X) =
1,7156 1,31 transformadores defeituosos
A seguir ser calculada a varincia para o exemplo do tempo de vida de aspersores de uma
marca.
2
V(X) = E[X E(X)] = E(X ) [E(X)]

Para varivel aleatria contnua, basta tomar:
E( X )
Assim,
E( X2) x 2 0,02e0,02x dx 0,02 x2 e0,02x dx
f ( X)dx
36
como a funo f(x) = x 2 e-0,002x da famlia exponencial pode-se aplicar a seguinte propriedade de
integrais.
Assim, para
E(X2 ) 0,02 x 2 e0,02x dx , m = 2, a = 0,02 e n = 1
logo,
E( X) 0,02
3
3
0,02
2!
0,022
5000horas
Assim, a varincia fica

V(X) = E(X2) [E(X)]2 = 5000 - [50]2 = 2500 horas ao quadrado
e o desvio padro fica
DP(X) =
2500 50 horas
A varincia tambm apresenta certas propriedades:
i) V(k) = 0, sendo k um constante

2
ii) V(kX) = k V(X)

iv) V(X k) = V(X)
iv) V(X Y) = V(X) + V(Y) COV(X, Y)
Sendo COV(X,Y) = E(XY) - E(X)E(Y) denomina de covarincia entre as variveis
aleatrias X e Y. Se X e Y so variveis aleatrias independentes uma da outra, ento E(XY) =
E(X)E(Y). Portanto a COV(X,Y) = 0. Embora COV(X,Y) = 0 sempre que X e Y so independentes,
a recproca no verdadeira, isso , mesmo que ocorra COV(X,Y) = 0, nem pode-se dizer que X e
Y so independentes.
37

01. O tempo de vida em horas de um tipo de componente eletrnico produzido por certa indstria,
tem fdp dada por:
1000
, se x 1000
f ( x) x 2
0, x 1000
Determinar: a) a funo de distribuio acumulada; R: para X <1000 e 1 100/x para x 1000
b) a probabilidade de que o tempo de vida de um componente eletrnico tomado ao
acaso esteja entre 1700 e 1800 horas. R: 0,0327
c) O tempo mdio (esperana) de vida. No definido
02. Em uma indstria, verificou-se que o nmero de vezes (X) por semana, que um tcnico
solicitado para regular certos equipamentos, tem distribuio de probabilidade dada por:
xi
P(xi)
0,75
0,15
0,05
0,03
0,02
a) Representar graficamente as funes de probabilidade e de distribuio acumulada.

b) Qual a probabilidade do tcnico ser solicitado menos de 2 vezes em uma semana?R: 0,90
c) Qual a probabilidade do tcnico ser solicitado 3 ou mais vezes em uma semana?R: 0,05
d) Calcular o valor esperado de X.R: 0,42
e) Calcular a varincia de X.R: 0,7636
03. Considere o comprimento X dos parafusos produzidos por certa companhia como uma varivel
aleatria contnua, tendo fdp
cx (1 x), 0 x 1
f ( x)
0, para quaisquer outros valores
a) Determine a constante c.R: 6
b) Represente graficamente a fdp.
c) Determine a funo de distribuio acumulada de X.
R: F(x) = 0 para x < 0, 3x2 2x3 para 0 x 1 e 1 para x > 1
d) Calcular E(X) e V(X) R: 0,5 e 0,05
04. A espessura (em mm) das chapas produzidas por certa siderrgica,
38
tem fdp dada por
0 se x 1,
( x 1) / 3 se 1 x 2,
f ( x) 1 / 3 se 2 x 4,
(5 x) / 3 se 4 x 5,
0 se x 5.
a) Representar graficamente a fdp.
b) Determinar a funo de distribuio acumulada e representa-la graficamente.
R: F(x) = 0 para x < 1, (1/6).(x2 2x + 1) para 1 x 2, (1/6).(2x-3) para 2 < x < 4,
(1/6).(-x + 10x 19) para 4 x 5 e 1 para X > 5
2
c) Calcular a probabilidade de uma chapa qualquer ter espessura superior a 2,5 mm. R: 2/3
d) Calcular a espessura mdia (esperana).
2.10 Distribuies discretas de probabilidade

comum o uso de variveis de contagem, como j comentado. Nessa situao, o uso de
modelos (distribuies) discretos indicado para descrever o fenmeno. Nesta seo sero
abordadas algumas distribuies de probabilidade relativas a variveis aleatrias discretas.
2.10.1 Distribuio de bernoulli

Quando uma varivel classificada com base em apenas dois resultados possveis, tais
como planta atacada ou no atacada por inseto, pea perfeita ou defeituosa, sexo feminino ou
masculino, aluno aprovado ou reprovado, etc., define-se a chamada distribuio de Bernoulli. Em
tais situaes, pode-se definir uma varivel aleatria que assume valores iguais a 0 ou 1,
associados a dois resultados possveis. O evento a partir do qual a varivel assume o valor 1 por
vezes denominado de evento de sucesso, ou simplesmente sucesso, e a probabilidade p desse
evento ocorrer pode ser chamada de probabilidade de sucesso. Assim, uma varivel aleatria X
apresenta distribuio de Bernoulli se tem a seguinte funo de probabilidade:
p, se x 1
f(x;p) P(X x) 1 p, se x 0
0 em outros casos
usual denotar (1-p) pela letra q. Outra maneira de representar esta funo :
39
f(x,p) P(X x) px (1 p)1 x I{0, 1}(x) pxq1 x I{0, 1}(x)
em que I a funo indicadora do intervalo de valores que a v.a. X pode assumir.
Exemplo:
Numa fbrica, a probabilidade de que uma pea seja perfeita 0,95. Qual a probabilidade
de que um pea escolhida aleatoriamente da linha de produo seja defeituosa?
Soluo:
O evento de sucesso pea defeituosa , ento, para este atribui-se o valor X = 1. A
probabilidade de insucesso (pea perfeita) 1 p = 0,95, logo, a probabilidade de sucesso (pea
defeituosa) ser p = 0,5. Assim, a probabilidade de que uma pea escolhida ao acaso seja
defeituosa ser:
f(x,p) P(X 1) px (1 p)1x 0,05 0,950 0,05
Percebe-se, portanto, que o evento de sucesso no precisa ser, necessariamente, aquele

que o observador gostaria que ocorresse na prtica (no exemplo, pea perfeita), mas sim, aquele
sobre o qual deseja-se calcular a probabilidade de ocorrncia (no exemplo, pea defeituosa).
fcil observar que a esperana e a varincia de uma varivel aleatria X com distribuio
de Bernoulli, so dadas por:
E(X) = p
V(X) = pq
Demonstrao
E(X)
x p[ X x] 0 (p 1) 1 p E(X) p
x 0
E(X 2 )
i1
xi2p[ X xi ]
xi2 p[ X xi ] 02 (p 1) 12 p E(X 2 ) p
i1
V(X) = E(X ) [E(X)] = p p = p(1 p) V(X) = pq

2
A esperana de X, p, no deve ser interpretada como uma probabilidade, mas sim, um valor
numrico mdio, fracionrio (frequncia relativa mdia), que a varivel assume. Ou seja, se
infinitas realizaes so observadas, o nmero mdio de X corresponder a p.
40
Exemplo:
Para o exemplo anterior, o valor mdio da proporo de peas defeituosas, se infinitas

peas forem inspecionadas, ser
E(X) = p = 0,05
E a varincia
V(X) = pq = 0,05 . 0,95 = 0,0475

01. No lanamento de um dado, a varivel X representa o nmero de faces iguais a 4 obtidas.
Determine a mdia e o desvio padro. Resposta. E(X) = 1/6 e DP(X) = 0,37
02. Uma urna contm 15 bolas brancas e 25 vermelhas. Uma bola retirada da urna e a varvel X
representa o nmero de bolas brancas obtidas. Calcule a mdia e o desvio padro de X.
Resposta. E(X) = 0,375) e DP(X) = 0,484
03. Um caixa contm 12 canetas das quais 5 so defeituosas. Uma caneta selecionada ao
acaso e a varivel X representa o nmero de canetas defeituosas obtidas. Calcule a mdia e o
desvio padro de X. Resposta. E(X) = 0,4167 e DP(X) = 0,4930
04. Um lote contm 50peas boas e 5 defeituosas. Uma pea selecionada deste lote e a varivel
X representa o nmero de peas defeituosas obtidas. Calcule a mdia e o desvio padro de X.
Resposta. E(X) = 0,0909 e DP(X) = 0,2875
2.10.3 Distribuio binomial
Se um fenmeno observado (ou um experimento realizado), em que 2 resultados so

possveis, esta observao corresponde a um ensaio de Bernoulli. Diferentes ensaios de Bernoulli
envolvem, cada um, uma varivel aleatria Xi. Por exemplo, seja a probabilidade p de que um
41
aluno seja reprovado em Matemtica. Neste caso, a observao de um aluno corresponde a um
ensaio de Bernoulli.
Se a cada ensaio corresponde uma distribuio com mesmo parmetro p, a observao
conjunta de vrios desses ensaios corresponde a uma distribuio binomial, discutida a seguir:
Suponha, agora, que n alunos so observados com relao a ter sido reprovado em Matemtica,
e sendo que a probabilidade de um aluno qualquer ter sido reprovado igual a p, ento pode-se
definir uma varivel aleatria associada ao nmero de alunos reprovados (X = 1, 2, 3, . . ., n). Tal
varivel aleatria apresenta distribuio de probabilidade, com parmetros n e p, a qual obtida
pela expanso do binmio de Newton (p + q)n, o qual justifica a denominao da distribuio
binomial, cuja funo de probabilidade dada por
f (n, x, p) P( X x) C nx p x (1 p) n x C nx p x q n x I {0,1,...,n} ( x) .
Na realidade, como a cada aluno est associada uma distribuio de Bernoulli, ento a soma das
realizaes dessas variveis corresponde exatamente ao nmero de sucessos. Por isso,
distribuio binomial tambm definida como a soma de n variveis independentes com

distribuio de Bernoulli.
Demonstra-se, para a distribuio binomial, que a esperana (mdia) e a varincia so

dadas, respectivamente, por:
E(X) = np
V(X) = np(1-p) = npq
Demonstrao
distribuio binomial definida como a soma de n variveis independentes com distribuio de

Bernoulli, ou seja, se Xi, i = 1, . . .,n so variveis aleatrias cada qual com distribuio de
n
Bernoulli, ento a varivel X =
Xi tem distribuio Binomial, assim,
i 1
n
n
E( Xi ) np
E( X) E Xi
i 1 i 1
E( X 2 ) E
i 1
Xi2
EXi2 np
n
i 1
42
n
n
n
n
V( X ) V X i
V( x i ) E( Xi2 ) [E( Xi )]2 (p p 2 ) np(1 p) npq
i 1
i 1
i 1 i 1
Exemplos
( 1 ) Suponha que 5 geradores idnticos de uma usina hidreltrica, com 100 MVA cada, tem uma
probabilidade de 0,98 de estar em operao. Qual probabilidade de um deles no estar em
operao.
Soluo:
p = 0,98
f (n, , x, p) P( X x) C nx p x (1 p) n x C nx p x q n x I {0,1,...,n} ( x)
7
f (5; 4; 0,98) P( X 4) C 45
0,98 4 (1 0,98) 54 5 0,9236 0,02 0,09223 ou 9,223%
( 2 ) Segundo os registros de uma escola, a proporo mdia de alunos reprovados na disciplina

de Matemtica, na stima srie, ao longo dos anos, de 0,25. Assim, a probabilidade, de que
numa turma de 40 alunos da stima srie ocorram, por exemplo, exatamente 7 alunos reprovados
:
f (n, x, p) P( X x) C nx p x (1 p) n x C nx p x q n x
7
f (40; 7; 0,25) P( X 7) C 40
0,25 7 (1 0,25) 407 0,0857 ou 8,57%
( 3 ) Sabe-se que 5% dos parafusos fabricados por uma indstria so defeituosos. Em um lote de
10 parafusos, qual a probabilidade de:
a) exatamente 2 serem defeituosos.

b) menos de 2 serem defeituosos
c) trs ou mais serem defeituosos
d) Qual a mdia e o desvio padro do nmero de parafusos defeituosos?
A probabilidade de que um parafuso qualquer seja defeituoso p = 0,05, logo 1- p = 0,95.
Portanto,
a) P[X=2] = C10,2 (0,05)2 (0,95)102 0,07463
43
b) P(X< 2 ) = P(X= 0 ) + P(X=1) =
C10, 0 (0,05)0 (0,95)10 0 C10,1(0,05)1(0,95)10 1 0,59874 0,31512 0,91386
c) P( X 3) 1 P( X 3) 1 [P( X 0) P( X 1) P( X 2)]
1 [0,59874 0,31512 0,07463 ] 0,01151
d) E(X) = np = 10 . 0,05 = 0,5 peas defeituosos
Intepretao: significa que, se forem coletadas vrias a amostras com 10 parafusos em

cada uma, o nmero mdio de parafusos defeituosos ser 0,5.
DP v( x) npq 10 0,05 0,95 0,69 peas defeituosas

01 Um exame do tipo teste constitudo de 20 questes, cada uma delas com 5 respostas
alternativas, das quais uma correta. Se um estudante responde as questes ao acaso, qual a
probabilidade de que consiga acertar exatamente 10 questes? Resposta: 0,02 ou 2 %
02 Uma empresa produz 10% de peas defeituosas. As peas so embaladas em caixas que
contm 12 peas. Calcule a probabilidade de um cliente comparar uma caixa contendo
a) Nenhuma pea defeituosa. Resposta: 0,2824 ou 28,24 %
b) uma pea defeituosa. Resposta: 0,3766 ou 37,66 %
03 Uma amostra de 25 peas retirada, com reposio de um lote que contm 10% de peas
defeituosas. Calcule a probabilidade de que
a) O lote no contenha peas defeituosas. Resposta: 0,0718
b) O lote contenha exatamente trs peas defeituosas. Resposta: 0,2265
c) O lote contenha pelo menos uma pea defeituosa. Resposta: 0,9282
d) O lote contenha entre trs e seis peas defeituosas. Resposta: 0,2030
e) O lote contenha de trs a seis defeituosas. Resposta: 0,4537
f) Calcule o valor esperado e o desvio padro. Resposta: E(X) = 2,5 DP(X) = 1,5
44
04. Umm levantamento efetuado em um prego da bolsa de valores mostrou que naquele dia,
40% das empresas tiveram aumento do valor de suas aes, enquanto que as aes das
empresas restantes ficaram estveis ou perderam valor. Um fundo negocia com aes de 1
dessas empresas. Calcule a probabilidade de que nesse dia:
a) todas as aes tenham se valorizado. Reposta: 0,01%
b) No mximo as aes de duas empresas tenham se valorizado. Reposta: 1,23%
05. Uma indstria de computadores suspeita que 3% de um determinado tipo de pea que ela
produz, so defeituosos. Se tal suspeita correta, determine a probabilidade de que, numa
amostra de quatro peas, sejam encontradas:
a) no mnimo duas defeituosas. Reposta: 0,52%
b) duas peas boas ou menos. Reposta: 0,33%
06. Uma empresa distribuidora costuma falhar em suas entregas de mercadorias, 15% das vezes,
por atraso de entrega, ou por mercadoria fora da especificao, ou por danos, etc., causando
reclamaes por parte dos clientes.. Calcule a probabilidade de:
a) No ocorrer reclamaes em dez entregas de hoje. Resposta: 19,69%
b) ocorrer pelo menos uma reclamao nas quatro entregas de hoje. Resposta: 47,80%
c) ocorrer no mximo uma reclamao nas dez entregas de hoje. Resposta: 54,43%
07. Um produto eletrnico contm 40 circuitos integrados. A probabilidade de que qualquer circuito
seja defeituoso de 0,01. Os circuitos integrados so independentes e o produto opera apenas se
no houver circuitos integrados defeituosos. Qual a probabilidade de que o produto opere?
Resposta: 66,89%
2.10.5 Distribuio de Poisson

Certos casos de distribuio binomial so melhor abordados por um tratamento matemtico
diferenciado. Estabelecendo
n , de maneira que o produto np, ou seja, a mdia se mantenha
constante, a distribuio binomial resulta em:
f ( x, ) P(X x)
x e
I{0,1,...,} ( x )
x!
em que = np ; e = 2,7183...,.que define a funo de probabilidade da distribuio de Poisson.
45
Como fizemos n , ento p 0 , para que o produto = np seja constante. Portanto, a
distribuio de Poisson aplicvel no estudo eventos raros, ou seja, com baixa probabilidade p
de ocorrncia.
A distribuio de Poisson pode ser utilizada no lugar da distribuio binomial, com um grau
de aproximao muito bom, desde que n seja grande e p seja pequeno. Na prtica,
aproximao geralmente usada para n 50 e np <5.
A esperana e a varincia da distribuio de Poisson so iguais, ou seja,
E (X) = V(X) = np
Demonstrao
E(X)
x 0
x 0
x p[ X x]
x
x e
x e
e
x

x!
x (x - 1)!
( x - 1)!
x 0
x 1
Observao: se s = x 1 x = s + 1 e se x = 1 s = 0, logo,
E( X)
s 1e
s!
s0
s e
s!
s
np
E(X 2 )
x 2 p[ X x]
x2
x 0
x 0
x e
x!
xx
x 1
x e
x ( x - 1)!
x 1
Observao: se s = x 1 x = s + 1 e se x = 1 s = 0, logo,
E( X 2 )
(s 1) s 1e
s!
s 0
(s 1) s e
s0
s!
e
2
E( X 2 )
E(S)
s
!
s
!
s0
s
2
2
V(X) = E(X ) [E(X)] = 2 2 np
x e
( x - 1)!
essa
46
Exemplos:
( 1 ) Verificou-se que a probabilidade de falha de um transistor em um instrumento eletrnico,

durante uma hora de operao, igual a 0,005. Calcular a probabilidade de
a) No haver falhas em 80 horas de operao;

b) haver menos de duas falhas em 80 horas de operao
Como n = 80 > 50 e np = 80x0,005 = 0,4 < 5, a distribuio de Poisson pode utilizada para
calcular tais probabilidades
a) P(Y 0)
0,4 0 e 0, 4
0,6703
0!
b) P(X< 2 ) = P(X= 0 ) + P(X=1) + P(X=2) =
0,4 0 e 0, 4 0,41 e 0, 4
0,6703 0,2681 0,9384

0!
1!
( 2 ) O nmero de partculas radioativas emitidas am cada intervalo de 5 segundos, so contadas.

Suponha que o nmero de partculas emitidas, durante o intervalo de 5 segundos, tenha uma
distribuio de Poisson com mdia de duas partculas. Tendo sido observados 10 intervalos de
tempo, qual a probabilidade de que em cada um deles, menos de 3 partculas sejam emitidas?
Tem-se = 2,0, portanto
P( X 3) P( X 0) P( X 1) P( X 2)
20 e2 21e2 22 e2
0,1351 0,2707 0,2707 0,6767 ,

0!
1!
2!
que representa a probabilidade de emisso de menos de 3 partculas em um intervalo de tempo.

Portanto, no caso de 10 intervalos de tempo, tem-se a probabilidade:
P(X1 < 3 X2 < 3 . . . X10 < 3) = P(X1 < 3) . P(X2 < 3). . . P(X10 < 3) = (0,6767)
10
= 0,0201.

01 Uma mquina produz uma proporo p = 0,009 de peas defeituosas. Suponha que so
inspecionas 100 peas. Pergunta-se:
47
a) permitida a utilizao da distribuio de Poisson para calcular probabilidades neste exemplo,
com uma boa aproximao da distribuio da distribuio binomial? Justifique a sua resposta.
b) Qual a probabilidade de ocorrerem 8 peas defeituosas? Calucle pela distribuiode Poisson
e pela distribuio binomial. Reposta: pela Poisson (0,000004), pela binomial (0,000003)
02 Supondo que o nmero de carros que chegam fila de um guich de pedgio tem distribuio
de Poisson com mdia de trs carros por minuto, Calcule a probabilidade de que cheguem cinco
carros nos prximos dois minutos. Resposta: 0,1606 ou 16,06%
03 Uma Cia de seguros realiza seguros para 100 carros de uma grande empresa de So Paulo. O
percentual de carros roubados no ano passado, em So Paulo, foi de 3,5%. Qual a
probabilidade de, no ano passado, desta Cia, ter ocorrido roubo de:
a) nenhum carro? Resposta: 0,0302
b) um carro? ? Resposta: 0,1057
c) No mximo dois carros? Resposta:0,3209
04 O controle de qualidade de uma montadora de automveis acusa que 1% das falhas no

processo de proteo antioxidante da lataria dos veculos que ela produz. Foram encomendados
100 veculos. Calcule a probabilidade de que a falha citada ocorra em:
a) nenhum um veculo. Resposta: 0,3679
b) apenas um veculo. Resposta: 0,3679
c) No mximo um veculo. Resposta: 0,7358
d) mais de um veculo. Resposta: 0,2662
2.10.7 Distribuio Hipergeomtrica
Foi visto em sees anteriores, que a distribuio binomial se aplica quando a

probabilidade do evento de sucesso se mantm constante em todas as realizaes de um
experimento. A distribuio binomial utilizada, portanto, quando se tem amostragem com
reposio ou em populaes infinitas.
A distribuio Hipergeomtrica pode ser utilizada quando tm-se uma amostra com n
elementos coletados de uma populao com N elementos, sem reposio, sendo que r deles
correspondem ao evento de sucesso e se quer saber a probabilidade de que, dentre os n
observados, x correspondam ao evento de sucesso.
48
P( X x)
C C
C Nn
x
r
n x
N r
C Nn representa a contagem do nmero total possvel de amostras de tamanho n coletadas sem

reposio de uma populao de tamanho N;
C rx representa o nmero possvel de maneiras que o evento de sucesso x da amostra pode

ocorrer em um total de r vezes que o evento de sucesso ocorre na populao;
C Nn xr representa o nmero possvel de maneiras que o evento de fracasso n - x da amostra pode

ocorrer de um total de N - r que o evento de fracasso ocorre na populao.
Demonstra-se que a esperana e a varincia de uma varivel aleatria com distribuio

hipergeomtrica so, respectivamente:
E(X) = np e V ( X ) np (1 p)
( N n)
( N 1)
Em que p representa a probabilidade do evento de sucesso na populao, ou seja, p = r/N.

Exemplos
( 1 ) Uma lmpada compra lmpadas por centenas. Examina sempre uma amostra de 15
lmpadas para verificar se esto boas. Se uma centena inclui 12 lmpadas queimadas, qual a
probabilidade de se escolher
a) Nenhuma lmpada queimada.

b) pelo menos uma lmpada queimada.
c) Nessa situao, qual o provvel nmero mdio, a varincia e o desvio padro do nmero de
lmpadas queimadas na amostra?
Soluo
N = 100, r = 12, n =15
a) P( X x)
150
C rx C Nnxr
C120 C100
12
P
(
X
0
)
0,1253
C Nn
C Nn
c) P(X 1) = 1 - P(X < 1) = 1 - P(X = 0) = 1 - 0,1253 = 0,8747
49
d) E(X) = np = 15.(12/100) = 12.0,12 = 1,8 2 Lmpadas queimadas
V ( X ) np (1 p)
( N n)
(100 15)
15 0,12 (1 0,12)
1,36 (Lmpadas queimadas)2
( N 1)
(100 1)
( 2 ) Pequenos motores so guardados em caixas de 50 unidades. Um inspetor de qualidade

examina cada caixa, antes da posterior remessa, testando 5 motores. Se nenhum motor for
defeituoso, a caixa aceita. Se pelo menos um for defeituoso, todos os 50 motores so testados.
Suponha que h 6 motores numa caixa. Qual a probabilidade de que seja necessrio examinar
todos os motores dessa caixa?
Soluo
N = 50, n = 5, r =6
P( X x)
C rx C Nn xr
C Nn
P( X 1) 1 P( X 1) 1 P( X 0) 1
5 0
C 60 C50
6
1 0,5126 0,4874
5
C50
2.10.8 Sequncia de Exerccios n 6

01. Lotes de 40 peas so aceitveis se contm, no mximo, trs peas defeituosas. O processo
de amostragem consiste em extrair aleatoriamente, cinco peas de cada lote e rejeit-lo se for
encontrada pelo menos uma pea defeituosa nas cinco peas extradas. H trs peas
defeituosas em todo o lote? Qual a probabilidade de o lote ser rejeitado?
Resposta: 0,3376
02. Num lote de 10 misseis, so lanados quatro escolhidos aleatoriamente. Se o lote contm trs
que no funcionam, qual a probabilidade de que
a) todos os quatro funcionem? Resposta: 0,1667
b) NO mximo dois funcionem? Resposta: 0,9667
50
03. Numa urna h 40 bolas brancas e 60 pretas. So retiradas 20 bolas sem reposio. Qual a
probabilidade de que ocorram no mnimo duas bolas brancas? Resposta: 0,9998
04. Uma fbrica de motores para mquinas de lavar roupas separa para inspeo, uma amostra
de 30 itens da sua linha de produo diria de 350 peas. 14 o nmero de peas por dia. Qual
a probabilidade de que a amostra contenha pelo menos 3 motores defeituosos? Resposta: 0,1085
2.11 Distribuies tericas contnuas de probabilidade
2.11.1 Distribuio Exponencial

Uma varivel aleatria X tem distribuio exponencial se sua funo densidade de
probabilidade dada por:
e x se x 0
f ( x)
0 se x 0
O grfico da funo da f.d.p. da distribuio exponencial
A funo de distribuio acumulada de X dada por:
51
x
F(x) =
f ( z )dz e z dz
e z
1 e x
0
Logo,
1 e x se x 0
F( x )
0 se x 0
Uma funo de interesse em estudos de confiabilidade a funo de falha h(x), calculada por
h( t )
f (x)
1 F( x )
Para a distribuio exponencial tem-se ento

e x
H( x )
1 (1 e x )
, ou seja uma constante
Essa caracterstica de taxa de falha constante faz com que a distribuio exponencial
seja largamente empregada nos estudos de confiabilidade de sistemas de potncia.
O valor mdio ou esperana e a varincia de X so dados, respectivamente, por:
E( X)
V( X )
1
2
Demonstrao
E( X)
xf ( x )dx
x e x dx
0 xe
dx
lembremos da seguinte propriedade do clculo: para funes da famlia exponencial tem-se
Logo, para
E( X)
0 xe
dx
52
tem-se m = 1, a = e n = 1
E( X 2 )
f ( x )dx
0 x
e x dx
2 x
0 x
dx
tem-se m = 2, a = e n = 1
V(X) E(x2) [E(X)]2
2
1
2
1
1

V( X)
3
3
2
3
3
Exemplos
( 1 ) Numa grande rede corporativa de computadores, as conexes dos usurios ao sistema

podem ser modeladas por um processo de Poisson com mdia = 25 conexes por hora. A
medio do tempo, em horas, entre duas conexes consecutivas segue a distribuio exponencial.
Qual a probabilidade desse tempo:
a) exceder a 6 minutos?
b) estar entre 2 e 3 minutos?
c) Qual o tempo mdio e a varincia at a prxima conexo.
Soluo:
a) = 25 conexes por hora, ento 6/60 = 0,1 hora
A funo de distribuio acumulada da distribuio exponencial dada por
53
1 e x se x 0
F( x )
0 se x 0
Logo,
-(0,1).25
) = e-(0,1).25 = 0,0821
P( x > 0,1 ) = 1 P( X 0,1) = 1 F(0,1) = 1 (1 e
b) 2/60 = 0,033, 3/60 =0,05

A propriedade iv da distribuio acumulada P (x1 X x2) = F(x2) - F(x1), logo,
-(0,05).25
P( 0,033 < X < 0,05) = F (0,05) F(0,033) = (1 e

-(0,05).25
P( 0,033 < X < 0,05) = - e
-(0,033).25
+e
-(0,033).25
(1 e
= -0,2865 +0,4382 = 0,1517
c)
E( X )
1
0,04h ou 2,4 min
25
Intepretao: significa que, se nessa rede de computadores forem medidos vrios tempos,
entre vrias conexes consecutivas, o tempo mdio ser de 0,04h ou 2,4 min.
V (X )
1
0,0016h 2
2
25
( 2 ) A vida til de tubos de TV segue a distribuio exponencial com mdia de 800horas de uso
contnuo. Qual a probabilidade de que a fbrica tenha que substituir um tubo gratuitamente, se
oferece uma garantia de 300 horas de uso?
Soluo
P(X 300) = ?
E( X )
800
1
0,00125
800
54
1 e x se x 0
F( x )
0 se x 0
Logo,
-0,00125. 300
P(X 300) = F(300) = 1 e
= 0,31127.
Portanto, a probabilidade de que a fbrica tenha que substituir um tubo de TV gratuitamente, se

oferece uma garantia de 300h de uso, de 0,3127 o 31,27%.
( 3 ) A taxa de sada observada de determinada linha de transmisso (LT) de 1,2 sadas por 100
km de linha por ano. Se a linha possui 200 km de comprimento, qual a probabilidade de que essa
LT no opere nas prximas 24 horas?
Soluo:
A taxa de sada de 1,2 sadas a cada 100 km por ano. Ento, em 200 km a taxa ser
1,2 2 = 2,4 sadas/ano
Se cada dia tem 24 horas e cada ano tem 365 dias, o ano ter 24*365 = 8760 horas.
Dessa forma, a taxa de sada ser
2,4 / 8760 0,00027397
sadas/hora

1 e x se x 0
F( x )
0 se x 0
Logo,
-(0,00027397).24
P(X 24) = F(24) = 1 e
= 1 0,99345154 = 0,00654846
55
Logo, a probabilidade de que a linha de transmisso no opere nas prximas 24 horas, de
0,00654846 ou 0,6%. Ento, corre-se um risco baixo de falta de energia.

01 Supondo que a varivel aleatria X tenha distribuio exponencial com parmetro = 3,
determine:
a) P(X 0) Resposta: 0
b) P(X 3) Resposta: 0,00012
c) P(X 2) Resposta: 0,99752
d) P(2<X<3) Resposta: 0,00236
02 Supondo que a varivel aleatria X tenha distribuio exponencial com parmetro = 5,
determine:
a) P(X > 5) Resposta: 0,3679
b) P(X > 15) Resposta: 0,0489
c) P(X >20) Resposta: 0,0183
03 As contagens registradas por um contador de giser segue a distribuio de Poisson, com

mdia de duas contagens por minuto.
a) Qual a probabilidade de que seja contado nenhum giser em um intervalo de 30segundos?
Resposta 0,3678
b) Qual a probabilidade de que a primeira contagem ocorra em 10 segundos ou menos?
Resposta 0,2835
c) Qual a probabilidade de que a primeira contagem ocorra entre 10 e 30 segundos?
Resposta 0,2835
04 Um rob completa uma operao de soldagem em um automvel, com uma taxa mdia de 12
soldagens por hora. O tempo para completar uma operao de soldagem definido a partir do
momento do incio do procedimento de soldagem at o incio do prximo procedimento. A varivel
aleatria X representa o tempo para completar uma operao de soldagem. Qual a
probabilidade de que uma operao completa de soldagem requeira:
a) mais de 6 minutos? Resposta: 0,3012
56
b) 8 minutos ou menos? Resposta: 0,7981
05 O tempo entre as chamadas para uma loja de suprimento de encanamentos tem uma mdia de
15 minutos. Qual a probabilidade de que a prxima chamada chegue:
a) dentro de 5 minutos? Resposta: 0,2835
b) dentro de 10 minutos? Resposta: 0,4866
c) entre 5 e de 10 minutos? Resposta: 0,2031
2.11.3 Distribuio normal

A distribuio normal corresponde a mais importante distribuio de probabilidade de
variveis aleatrias contnuas, devido sua enorme aplicao nos mais variados campos do
conhecimento. Variveis como peso, altura, resistncia ruptura, entre outras, so pressupostas
como obedecendo a distribuio normal.
As razes do seu emprego extensivo incluem, claro, uma motivao emprica, mas
tambm uma certa comodidade matemtica, j que a distribuio probabilstica de varias funes
de variveis aleatrias normalmente distribudas, so facilmente derivadas, como a distribuio t e
F
Uma v.a. X tem distribuio normal se sua funo densidade de probabilidade dada por:
f (x)
1
2
1 x

e 2
,
em que:
= 3,1416...
e so, respectivamente, a mdia e a varincia populacionais da varivel aleatria X.
Trata-se de um modelo que procura explicar o comportamento de uma varivel aleatria

contnua que pode variar desde a , sem explicar as causas desse comportamento. Por isso
trata-se de um modelo no-determinstico ou probabilstico.
Quando se deseja especificar que uma varivel aleatria X segue uma distribuio normal
com mdia e varincia 2, pode-se utilizar a seguinte notao: X ~ N (, 2).
O conceito de densidade, na elaborao de histogramas, onde a obteno de frequncias
relativas pode ser feita a partir do clculo de reas, tambm pode ser usado aqui, pela elaborao
de modelos nos quais probabilidades possam ser obtidas tambm mediante ao clculo de reas.
57
Para ilustrar a ideia, imagine-se, de um ponto de vista estritamente terico, que seja possvel
conhecer todos os elementos de uma populao infinita. Alm disso, uma varivel aleatria
contnua utilizada para descrever os elementos da populao. Conhecendo-se todos os
elementos da populao, um histograma poderia ser construdo para representar a distribuio de
frequncia relativa dessa varivel (Figura 4.1).
Figura 4.1 Histograma hipottico referente a uma populao infinita, utilizando 15 classes.
Ligando os pontos mdios superiores dos retngulos desse histograma por linhas, o
polgono de frequncias fica
Figura 4.2 Polgono de frequncias hipottico referente a uma populao infinita, utilizando 15
classes.
Imagine agora que, a partir desses mesmos infinitos elementos, uma nova distribuio de
frequncia relativa utilizada, aumentanto o nmero de classes, e diminuindo a amplitude de cada
uma ( Figura 2.2)
58
Figura 2.2 Histograma hipottico referente a uma populao infinita, utilizando 25 classes.
Como so infinitos elementos, cada uma das classes nunca ficam vazias. Prosseguindo nessa
tendncia, ou seja, fazendo o nmero de classes tender ao infinito, e suas amplitudes tender a
zero, ser obtido, pela unio dos pontos mdios das classes, um polgono de frequncias
correspondente a uma curva (Figura 2.3)
Figura 2.3. Polgono de frequncia relativo a uma populao infinita, utilizando infinitas classes.
Este tipo de enfoque motivou os estatsticos, desde o sculo XVIII, a desenvolver modelos
(ou seja, funes), entre eles a distribuio normal, para descrever populaes infinitas, que
relacionam os valores de uma varivel aleatria contnua com suas correspondentes densidades
de frequncia relativa.
Como em populaes infinitas as frequncias relativas so chamadas de probabilidades, ento, da
mesma forma fala-se em densidade de probabilidade. Em vista disso, a funo f(x) da Figura 4.4
acima, chamada de funo densidade de probabilidade, ou simplesmente, funo densidade.
A aparncia do grfico da funo densidade de uma v.a. X normalmente distribuda est
representada na Figura 4.5:
59
Figura 2.4 Aspecto da distribuio Normal
De maneira anloga ao que foi visto nos histogramas, a obteno de frequncias relativas
(ou seja, de probabilidades) feita utilizando o clculo de reas em grficos da funo densidade
de probabilidade.
A distribuio normal tambm conhecida por curva normal ou curva de Gauss, e possui as
seguintes propriedades:
1) Ela simtrica em relao a x = ;
2) Possui a forma campanular ou forma de sino;
3) As medidas de posio, ou seja, a mdia, a mediana e a moda confundem-se no
mesmo ponto, e so todas iguais a .
4) definida simplesmente a partir dos parmetros e 2;
5) Possui dois pontos de inflexo (mudana de concavidade da curva) correspondentes
aos pontos x - e x + ;
6) Assinttica em relao ao eixo das abscissas, ou seja, ela nunca intercepta o eixo dos
X;
7) A rea total sob a curva, como em qualquer funo densidade de probabilidade, igual
a 1.
J comentado anteriormente, a probabilidade de que uma varivel aleatria contnua

assuma exatamente um certo valor praticamente igual a zero e, portanto, nesse caso o enfoque
mais apropriado obter probabilidades de que a varivel pertena a classes ou intervalos.
Tambm foi comentado que esse clculo de probabilidades, para variveis quantitativas
contnuas, obtido atravs de reas relativas a grficos com funes densidades de
probabilidade.
Assim, cada rea equivalente probabilidade de que a varivel aleatria contnua X esteja
contida em um intervalo [a,b]. Teoricamente, esta probabilidade poderia ser obtida da seguinte
maneira:
60
1
a 2
P(a < X <b) = f ( x ) dx
1 x 2

e 2 dx
No caso da distribuio normal, essa integral no tem soluo explcita, e por isso
necessrio fazer uso de um procedimento alternativo, a chamada distribuio normal reduzida,
como ser visto no prximo tpico.
2.11.3.1 Distribuio normal reduzida

A distribuio normal com mdia = 0 e varincia 2 = 1 conhecida como distribuio
normal reduzida ou padronizada. Uma varivel aleatria com essa distribuio geralmente
simbolizada por Z.
Uma propriedade interessante de uma varivel aleatria X que segue qualquer distribuio
normal a de que ela pode ser transformada em uma varivel Z, pela seguinte expresso:
Diz-se, ento, que Z uma varivel aleatria que segue a distribuio normal com mdia
= 0 e varincia = 1, ou seja, Z N (0, 1).
2
Assim, a funo densidade de probabilidade da varivel aleatria Z pode ser escrita da

seguinte forma:
1
z2
1
f ( z)
e 2
,
2
Z ,
Como 2 = 1, ento = 1 e a funo densidade de probabilidade fica
1
z2
1
f ( z)
e 2
,
2
61
A probabilidade de que varivel aleatria X assuma valores dentro de um intervalo ou classe
[a, b] coincide com a probabilidade da varivel aleatria Z estar contida em um intervalo ou classe
[c, d]. Dessa forma,
1
z2
1
P[a < X < b] = P [c < Z < d] = f (z) dz
e 2 dz
2
c
c
d
Essa integral tem soluo explcita no intervalo [c, d], para vrios valores de c e d. Usando
mtodos de integrao numrica, obtiveram-se alguns valores tabelados da distribuio normal
padronizada ou reduzida.
A Tabela 2.1 d valores de probabilidades de que a varivel padronizada Z assuma valores
no intervalo [-zc, 0] ou [0, zc], ou seja, P(-zc < Z < 0) ou P(0 < Z < zc).
J, a Tabela 2.2, d as probabilidades de que a varivel padronizada Z assuma valores
maiores do que o valor crtico zc, ou seja, P( Z > zc), ou a probabilidade de Z assumir valores
menores do que o valor crtico - Zc, isto , P( Z < - zc).
A seguir sero apresentadas as tabelas 4.1 e 4.2 e respectivas reas sob a curva normal
que os valores das probabilidades destas tabelas representam. Essas tabelas que fornecem
apenas os valores positivos de Z (primeira coluna da esquerda para a direita). O maior valor (0,5),
da 4.1, por exemplo, e representa a rea escura ou a rea clara sob acurva da figura a seguir
J que a distribuio normal reduzida simtrica em relao a 0 , isso no acarreta

problema, pois se z c z c , ento, por exemplo, P(-zc < Z < 0) = P(0 < Z < z c). Portanto,
ao procurar algum valor de probabilidade nas tabelas 2.1 ou 2.2, olha-se antes para o valor
absoluto de Z e no para o valor negativo. Portanto, na Tabela 2.1, tanto para -zc = -3,99,
como para zc = 3,99, tem-se o valor 0,5 no centro da tabela.
62
Tabela 2.1 - Distribuio normal - probabilidade de o valor de Z padronizado estar entre 0 e o valor
tabulado nas margens
Z
0
1
2
3
4
5
6
7
8
9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0.5000 0.5000 0.5000
63
Tabela 2.2 - Distribuio normal - probabilidade do valor de Z padronizado ser maior que o valor
tabulado nas margens (Zc), ou probabilidade do valor Z ser menor que os valores negativos das
margens (-Zc).
Z
0
1
2
3
4
5
6
7
8
9
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
64
Exemplos
( 1 ) Suponha que os comprimentos de parafusos fabricados por determinada indstria seguem

a distribuio normal com mdia de 200 mm e desvio padro de 20mm.
a) Qual a probabilidade de um parafuso escolhido aleatoriamente apresente de 200mm a
225mm de comprimento?
Calcula-se em primeiro lugar o valor da varivel padronizada Z., ou seja:
x
200 200
Z=0
Z
20
x
225 200
Z = 1,25
Z
20
Pretende-se calcular a seguinte probabilidade:
P(200 X 225) P(0 Z 1,25)
Utiliza-se a Tabela 2.1, pois esta apresenta os valores desse tipo de probabilidade, ou
seja, P(0 Z z c ) .
Na tabela acha-se o valor de Z da seguinte forma: Os dgitos antes da vrgula e o
primeiro aps a mesma, devero ser procurados na primeira coluna da esquerda. J, o
segundo dgito aps a vrgula dever ser procurado na linha superior da tabela.
No exemplo foi achado Z = 1,25, ento procura-se 1,2 na primeira coluna da esquerda
e 5 na linha superior da tabela. O valor da probabilidade que se quer achar, est exatamente
no cruzamento da linha que em que ocorre 1,2 com a coluna onde se tem o nmero 5, como
mostra o esquema abaixo.
Assim, P(200 X 225) P(0 Z 1,25) = 0,3944 ou 39,44%.
65
Conclui-se, portanto, que a probabilidade de que um parafuso escolhido aleatoriamente

apresente de 200mm a 225mm de comprimento de 0.3944 ou 39,44%.
Isto quer dizer que a rea sob a curva normal equivale a 0,3944 ou 39,44% da rea total
como mostra a Figura 2.4
Figura 2.4 rea sob a curva normal equivalente probabilidade da taxa de colesterol ser
maior ou igual a 200 e menor ou igual a 225mg/100ml de plasma.
b) Qual a probabilidade de que um parafuso escolhido aleatoriamente apresente mais do que

225mm de comprimento?
x
225 200
Z = 1,25
Z
20
Calcular a probabilidade de ocorrer um valor maior do que x c = 225 o mesmo que

calcular a possibilidade de ocorrncia de um valor maior que zc = 1,25.
A probabilidade procurada P(X > 225) = P(Z > 1,25), ou seja, do tipo P(Z > zc). A
Tabela 2.2, d esse tipo de probabilidade. No corpo dessa tabela ocorre o valor 0,1056 para Z
= 1,25 como mostra o esquema a seguir:
Logo, P(X > 225) = P(Z > 1,25) = 0,1056,

apresente mais do que 225mm de comprimento de 0,1056 ou 10,56%.
Isto quer dizer que a rea sob a curva normal equivale a 0,1056 ou 10,56% da rea
total como mostra a Figura 2.5.
66
Figura 2.5 rea sob a curva normal equivalente Probabilidade da taxa de colesterol ser
maior do que 225mg/100ml de plasma.
c) Qual a probabilidade de que um parafuso escolhido aleatoriamente apresente

comprimento maior ou igual a 175mm e menor ou igual 225mm, simultaneamente.?
Em primeiro lugar devem ser achados os valores da varivel aleatria Z.
x
175 200
Z = -1,25.
Z
20
x
225 200
Z = 1,25
Z
20
Ento, a probabilidade a ser calculada

P(175 X 225) = P(-1,25 Z 1,25)
Porm as tabelas 4.1 e 4.2 no fornecem o valor dessa probabilidade, diretamente.

O segredo para resolver esse problema est em decompor esta probabilidade em outras
duas, como mostra a figura 2.6
Figura 2.6 Representao da rea sob a curva normal com a varivel aleatria Z variando de
1,25 a 1,25 (a), de -1,25 a 0 (b) e de 0 a 1,25 (c) e.
67
Percebe-se facilmente que a juno ou soma das reas sombradas dos grficos b e
c, resulta na rea sombrada do grfico a, portanto,
P (-1,25 Z 1,25) = P (-1,25 Z 0) + P (0 Z 1,25)
A Tabela 2.1 d os valores de P (-1,25 Z 0) e P (0 Z 1,25) de acordo com o esquema a
seguir:
Logo,
P (-1,25 Z 1,25) = P (-1,25 Z 0) + P (0 Z 1,25)
= 0,3944 + 0,3944 = 0,7888
Assim,
P (175 X 225) = P (-1,25 Z 1,25) = 0,7888

apresente comprimento maior ou igual a 175mm e menor ou igual a 225mm, 0,7888 ou
78,88%.
Figura 2.7 rea sob a curva normal referente probabilidade da taxa de colesterol ser maior
ou igual a 175 e menor ou igual a 225mg/100ml de plasma.
68
d) Qual a probabilidade de que um parafuso escolhido aleatoriamente apresente

comprimento maior do que 175 mm?
O primeiro passo calcular o valor de Z.
x
175 200
Z = -1,25,
Z
20
logo,
P (X > 175) = P (Z > 1,25)
As tabelas 4.1 e 4.2 no apresentam esta probabilidade de imediato. Porm, se o leitor

lembrar que a Tabela 2.2 apresenta, a probabilidade de Z ser menor do que um determinado
valor crtico negativo zc, ou seja
P(Z<-zc) = P(Z 1,25),
e que a rea mxima sob a curva normal igual a 1 ou 100%, tem-se que
P(Z 1,25) 1 - P(Z 1,25) ,
como mostra o a figura 2.8
Figura 2.8 Representao da rea sob a curva normal total (a), de Z -1,25 (b) e de Z >
1,25 (c).
Observa-se que subtraindo a rea sombreada do grfico b da rea total sob a curva
normal do grfico a, obtm-se a rea sombreada do grfico c. Assim,
P(X > 175) = P(Z > 1,25) = 1 P(Z 1,25)
69
Agora, a probabilidade procurada P(Z <-1,25), ou seja, do tipo P(Z <-zc). A Tabela 2.2
fornece esse tipo de probabilidade diretamente. No corpo dessa tabela ocorre o valor 0,1056
para Z = 1,25 como mostra o esquema a seguir:
Dessa forma,
P (X > 175) = P (Z > 1,25) = 1 P(Z 1,25) = 1 - 0,1056 = 0,8944
apresente mais do que 175mm de comprimento, 0.8944 ou 89,44%.
Portanto, a probabilidade de uma pessoa apresentar taxa de colesterol maior do que

175mg por 100ml de plasma sanguneo igual a 0,8944 ou 89,44%. Isto equivale a dizer que a
rea sob a curva normal igual a 0,8944 ou 89,44% da rea total como mostra a Figura 2.9.
Figura 2.9 rea sob a curva normal referente probabilidade da taxa de colesterol ser maior
do que 175 mg por 100ml de plasma.

1. Determinada companhia de energia eltrica instalou 2000 lmpadas em uma cidade. Os
tempos de vida dessas lmpadas seguem a distribuio normal mdia de 1000 horas e desvio
padro de 200 horas. Quantas lmpadas podero queimar nas primeiras 700 horas? Qauntas
lmpadas podero queimar:
a) nas primeiras 700 horas? Resposta: 134 lmpadas
70
b) com mais de 700 horas? Resposta: 1866 lmpadas
c) entre 7000 e 1300 horas? Resposta: 1733 lmpadas
02. A resistncia compresso de amostras de cimento pode ser modelada por uma
2
distribuio normal, com mdia de 6000 kg/cm e um desvio padro de 100 kg/cm . Um corpo
de prova coletado aleatoriamente. Qual a probabilidade de que sua resistncia
compresso seja:
a) menor que 6250 kg/cm2? Resposta: 0,9938
b) maior ou igual a 5800 kg/cm 2 e menor ou igual a 6250 kg/cm2? Resposta: 0,1359
03. A largura de cabos de ferramentas utilizadas na fabricao de semicondutores suposta

seguir a distribuio normal, com mdia de 0,5 m (micrmetro) e desvio padro de 0,05 m.
Um cabo escolhido aleatoriamente. Qual a probabilidade de que sua largura:
a) seja maior do que 0,6 m? Resposta: 0,0082
b) esteja entre 0,47 m e0,63 m? Resposta: 0,7211
04. O dimetro do eixo de um drive ptico de armazenagem suposto seguir a distribuio

normal, com mdia de 0,2508 polegada e desvio padro de 0,0005 polegada. As
especificaes do exio so de que este deve ter um dimetro entre 0,2485 e 0,2515 polegada.
Um drive ptico escolhido aleatoriamente da linha de produo. Qual a probabilidade de
que o dimetro de seu eixo tenha medida que atenda s especificaes? Resposta: 0,9192
05. A vida til de um semicondutor a uma potncia constante normalmente distribuda, com
mdia de 7000 horas e desvio padro de 600 horas. Qual a probabilidade de um
semicondutor falhar antes de 500 horas de uso? Resposta: 0,0,0004
2.11.5 Aproximao normal distribuio binomial
clculo das probabilidades em
algumas distribuies binomiais pode ser
extremamente laborioso, onde a varivel aleatria pode assumir muitos valores Por exemplo,
considere n = 135 e p = 0,6. Qual a probabilidade de que X 98, por exemplo? Por esta
determinao ter-se-ia que calcular as probabilidades de que X = 98, X = 99, . . , X = 135, pela
frmula da binomial P[X = x] = Cn,x . px .q(n-x) para depois som-las, ou seja,
P[X 98] = C135, 98 0,6 .0,4 + C135, 99 0,6 .0,4 + . . . + C135, 135 0,6
98
37
99
36
135
.0,4
71
Isto seria laborioso, pois teriam que ser calculadas 38 probabilidades.
Considere que a varivel aleatria X possa, apesar de ser discreta, ser razoavelmente
bem descrita por uma distribuio normal com mdia
= np
e desvio padro
=
npq .
Se np 5 e nq = n(1-p) 5, esse clculo se tornaria mais simples, por meio da varivel

Z dada por
x np
npq
em que p a probabilidade de sucesso do evento em questo e q = 1 p a probabilidade de

insucesso.
Como trata-se de uma aproximao, alguns autores propem a correo de continuidade
Correo de Continuidade Quando se utiliza a distribuio normal (que contnua) como

aproximao da distribuio binomial (discreta), aplica-se uma correo de continuidade a um
nmero discreto x na distribuio binomial, representando o valor nico de x pelo intervalo de x0,5 a x + 0,5.
Desta forma, a varivel Z fica
( x 0,5) np
npq
Algumas sugestes prticas que auxiliaro o leitor no uso da correo de continuidade.

1 Ao utilizar a distribuio normal como aproximao da binomial faa sempre a correo de
continuidade.
2. Ao aplicar a correo de continuidade, identifique primeiro o nmero discreto x de
importncia para o problema da distribuio binomial. Por exemplo, suponha que se deseja
a probabilidade de que ocorram ao menos 64 homens em 100 pessoas selecionadas
aleatoriamente. O nmero inteiro, discreto, de interesse, 64.
3. Determine se a probabilidade desejada refere-se a pelo menos x, no mximo x, mais de x,
menos de x, ou exatamente x, para saber se ser utilizado x - 0,5, ou x + 0,5, ou ambos,
como mostra o quadro a seguir:
72
Probabilidade
Correo de continuidade
Menos de x
x - 0,5
Pelo menos x
x - 0,5
No mximo x
x + 0,5
Mais de x
x +0,5
Exatamente x
x - 0,5 e x +0,5
Para o exemplo tem-se
Probabilidade
Correo de continuidade
Menos de 64
64 -0,5 = 63,5
Pelo menos 64
64 - 0,5 = 63,5
No mximo 64
64 + 0,5 = 64,5
Mais de 64
64 + 0,5 = 64,5
Exatamente 64
63,5 e 64,5
Exemplos:
( 1 ) Foi realizada uma pesquisa de opinio pblica junto a uma comunidade com relao
ampliao de um hospital particular, mesmo que essa ampliao pudesse ter consequncias tal
como o aumento de leitos vazios na maior parte do tempo. A porcentagem de adultos dessa
comunidade a favor da ampliao do hospital foi de apenas 5%. Qual a probabilidade de que,
em 180, o nmero de pessoas favorveis ampliao seja
a) menos de 9
b) pelo menos 9
c) exatamente 9
Soluo:
n = 180,
= np = 180 x 0,05= 9 >5,
nq = n(1-p) = 180 x 0,95 = 171 > 5
npq 180 x 0,05 x 0,95 2,9240 ,

J que ambos, np e nq, so maiores do que 5, pode ser aplicada a aproximao normal
distribuio binomial.
a) P (X < 9)?
73
( x 0,5) np
npq
(9 0,5) 9
0,17
2,9240
Assim, a probabilidade procurada P(X < 9) = P(Z < -0,17), ou seja, do tipo P(Z < -zc).
A tabela 4.2, d esse tipo de probabilidade. No corpo dessa tabela ocorre o valor 0,4325 para Z
= -0,17 como mostra o esquema a seguir:
Dessa forma,
P (X < 9) = P (Z < -0,17) = 0,4325
Portanto, a probabilidade de que, em 180, o nmero de pessoas favorveis ampliao

do hospital seja menos de 9, 0,4325 ou 43,25%.
b) P (X 9)?
( x 0,5) np
npq
(9 0,5) 9
0,17
2,9240
Assim, a probabilidade a ser calculada P(X 9) = P(Z -0,17). As tabelas 4.1 e 4.2
no apresentam esta probabilidade diretamente. Porm, se o leitor lembrar que em (a) se
achou
P (X < 9) = P (Z <
0,17) = 0,4325
e que a rea mxima sob a curva normal igual a 1 ou 100%, tem-se que
P (X 9) P(Z -0,17) 1 - P(Z - 0,17) = 1
0,4325 = 0,5675
Portanto, a probabilidade de que, em 180, o nmero de pessoas favorveis ampliao

do hospital seja pelo menos 9, 0,5675 ou 56,75%
74
c) P(X = 9)?
( x 0,5) np
(9 0,5) 9
0,17
2,9240
(9 0,5) 9
0,17
2,9240
npq
( x 0,5) np
npq
Assim, a probabilidade a ser calculada P(X = 9) = P(-0,17 Z 0,17). As tabelas 4.1 e

4.2 no apresentam esta probabilidade diretamente. Porm, se considerarmos
P(-0,17 Z 0,17) = P (-0,17 Z 0
) + P (0 Z 0,17) e que a tabela 4.1 fornece P(-0,17
Z 0 ) e P (0 Z 0,17), conforme o quadro a seguir
tem-se
P(-0,17 Z 0,17) = P (0 Z
0,17) + P (0 Z 0,17)
= 0,0675 + 0,0675 = 0,135

Logo,
P(X = 9) = P(-0,17 Z 0,17) = 0,135
Portanto, a probabilidade de que, em 180 o nmero de pessoas favorveis ampliao

do hospital seja exatamente 9, 0,135 ou 13,5%.
( 2 ) Um sistema formado por 100 componentes, cada um dos quais com confiabilidade de
0,95 (probabilidade de funcionamento do componente durante um certo perodo de tempo). Se
esses componentes funcionam independentemente um do outro e se o sistema completo
funciona adequadamente quando pelo menos 80 componentes funcionam, qual a
confiabilidade do sistema?
Soluo:
Seja X: nmero de componentes que funcionam

X segue a distribuio binomial com parmetros n = 100 e p =0,95, ou seja, X ~ b (100, 0,95).
75
A confiabilidade do sistema ser dada pela probabilidade de que funcionem pelo menos 80
componentes , ou seja,
P( X 80) P(80 x 100)
Se fossemos calcular tal probabilidade, utilizando a distribuio binomial, seria muito laborioso.
np 100 0,95 95 5 (primeira condio obedecida)

2 np(1 p) 100 0,95 0,5 4,75 5
(segunda condio obedecida)
Assim, poder ser utilizada a aproximao da binomial pela normal.
4,75 2,18
x 80 95
7,11 e
2,18
x 100 95
2,52
2,18
P( X 80) P(80 x 100) P(7,11 x 2,52) 0,9941 ou 99,41%
01 Cerca de 4,4% dos acidentes fatais com automveis so causados por pneus defeituosos
(com base em dados do National Safety Coincil Conselho Nacional de Segurana dos EUA).
Se um estudo de segurana em uma rodovia comea com a escolha aleatria de 750 casos de
acidentes fatais com veculos motorizados, utilizando a Aproximao normal distribuio
binomial estime a probabilidade de:
a) exatamente 35 deles terem sido causados por pneus defeituosos? R: 0,0672
b) menos de 35 deles terem sido causados por pneus defeituosos? R: 0,6037
c) pelo menos 35 deles terem sido causados por pneus defeituosos? R: 0,3936
d) no mximo 35 deles terem sido causados por pneus defeituosos? R: 0,6736
e) mais de 35 deles terem sido causados por pneus defeituosos? R: 0,3264
02. Fazendo amostragem de um processo de produo cujos itens so 20% defeituosos,

seleciona-se uma amostra aleatria de 100 itens a cada hora em cada turno de produo. O
nmero de defeituosos em uma amostra denotado por X. Qual a probabilidade de que X
seja
76
a) igual ou inferior a 15? R: 0,8708
b) no mnimo 15? R: 0,0838

Probabilidade

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Probabilidade

Încărcat de

Drepturi de autor:

Formate disponibile

Universidade Estadual do Oeste do Paran

Campus de Foz do Iguau

Carlos dos Santos

2.2 Experimento aleatrio com espao amosral e evento

2.3 Teoria clssica de probabilidade

2.4 A Teoria Frequentista de Probabilidade

2.5 Probabilidade subjetiva

2.6 Axiomas de probabilidade

2.7 Principais teoremas de probabilidade

2.8 Sequncia de exerccios n 1

2.9 Varivel aleatria

2.9.1 Definio Formal de Varivel Aleatria

2.9.2 Varivel Aleatria Discreta

2.9.3 Varivel Aleatria Contnua

2.9.4 Funo de Probabilidade

2.9.5 Funo Densidade de Probabilidade

2.9.6 Funo de Distribuio Acumulada

2.9.7 Esperana Matemtica e Varincia de Uma Varivel Aleatria

2.9.7.1 Propriedades da Esperana Matemtica

2.9.8 Sequncia de exerccios n 2

2.10 Distribuies discretas de probabilidade

2.10.2 Sequncia de exerccios n 3

2.10.4 Sequncia de exerccios n 4

2.10.5 Distribuio de Poisson

2.10.6 Sequncia de exerccios n 5

2.10.7 Distribuio Hipergeomtrica

2.10.8 Sequncia de Exerccios n 6

2.11 Distribuies tericas contnuas de probabilidade

2.11.1 Distribuio Exponencial

2.11.2 Sequncia de exerccios n 7

2.11.3 Distribuio normal

2.11.3.1 Distribuio normal reduzida

2.11.4 Sequncia de exerccios n 8

2.11.5 Aproximao normal distribuio binomial

2.11.6 Sequncia de exerccios n 9

Corrente = voltagem / resistncia

Esse modelo determinstico ou mecanstico porque o mesmo construdo a partir do

Em muitas situaes mais frequente que os mecanismos no sistema sob estudo no

Modelo No-Determinstico ou Probabilstico Modelo que procura prever um resultado, em

Y = + 1X1 + 2X2 + 3X3 +

, 1, 2 e 3 so estimados pelo mtodo de mnimos quadrados. O termo representa os

2.2 Experimento aleatrio com espao amosral e evento

Um experimento dito aleatrio quando satisfaz as seguintes condies

(1) tomar uma vlvula eletrnica e verificar o tempo de vida;

a) Lanar um dado e verificar a face de cima. O espao amostral ser:

c) Resistncia ruptura de corpos de prova de concreto. . O espao amostral ser:

Figura 2.1 - Representao geomtrica do espao amostral.

Evento qualquer subconjunto do espao amostral . Deve-se considerar como eventos de

Os eventos desse espao amostral ao lanar o dado uma vez, so:

Evento com seis resultados possveis. O prprio espao amostral.

2.3 Teoria clssica de probabilidade

P(a1) = P(a2) = . . . = P(an) =

Em que P( . ) denota probabilidade.

2.4 A Teoria Frequentista de Probabilidade

em que nA o nmero de possibilidades favorveis ao evento A, num total de n repeties de um

Probabilidade Frequncia relativa associada a uma varivel descritora de uma populao

Portanto, pode-se denominar a distribuio de frequncia relativa associada a uma varivel

Distribuio de probabilidade Distribuio de frequncia relativa em uma populao infinita

2.5 Probabilidade subjetiva

2.6 Axiomas de probabilidade

(20) P() = 1 (ou seja, a probabilidade do evento certo igual 1)

Suponha que um determinado instituto tem os seguintes nmeros de alunos matriculados

A: o aluno do curso de Matemtica Pura

2.7 Principais teoremas de probabilidade